视频目标跟踪在许多计算机视觉应用中扮演着关键的角色,包括视频监控、人机交互和行为识别等。一个成功的跟踪系统的两个关键点就是如何有效建模目标外观以及如何准确的从所有候选中推断出状态。尽管在过去几十年已经提出了许多跟踪方法并取得了重大的进展,但这个问题依然具有挑战性。视频跟踪的主要难点就是设计一个强大的外观模型,使其不仅能够从背景中分辨出目标,而且对目标外观变化鲁棒,如动态环境下的内部因素和外部因素等导致的外观变化。因此,研究出一个鲁棒的视频目标跟踪方法仍然是一个挑战性的问题。最近,研究人员提出稀疏表示应用到视频跟踪上,并且通过求解一系列Ll最小化问题来处理建模跟踪问题。受此工作激发,本文提出了一种基于结构化稀疏外观模型的鲁棒视频目标跟踪算法。首先,学习一个基于分块的外观模型,该模型包括一个固定模板、9个变化模板和背景模板,并将基于分块的特征融合到稀疏表示框架中,有效地捕捉内部结构信息及更有利于处理遮挡和其它挑战。然后,提出了一个基于稀疏表示的判别分类器从背景中分辨出目标对象。另外,利用稀疏表示和子空间学习的优势,本文采用了一种增量PCA子空间学习方法来建模更新模板,从而有效降低漂移问题。定性和定量评价结果显示本文所提出的跟踪算法比目前的几种先进算法更加有效和鲁棒。同时,本文提出了一种新的基于稀疏表示的协同视频跟踪算法。所提出的目标外观模型同时利用了整体表示和局部直方图。通过使用增量子空间学习方法,我们的跟踪方法能够有效的处理外观和极大的降低了计算复杂度。大量实验结果显示所提出的跟踪算法比现有的先进算法具有明显的鲁棒性,尤其是出现较大外观变化情况下。