目标跟踪技术是计算机视觉研究中的一个热点课题,近年来已经在军事、民用等方面取得巨大进步,但是仍然存在若干挑战需要解决,包括目标形变、尺度变化、遮挡等困难。本文提出了一种鲁棒的基于联合稀疏外观建模的目标跟踪算法,该算法主要包括联合外观模型、改进的运动模型以及模板更新策略。为了应对跟踪过程中目标外观的变化,本文提出了一种联合稀疏外观模型,包括子区域分块法、模板空间重构法和多尺度分块法三种方式描述目标外观信息,其中子区域分块法首先将目标划分成许多小块,然后根据小块的分布情况划分成若干子区域,每个目标字典库的建立是在每个子区域内独立建立字典后再组合起来,这样做可以在一定程度上实现目标不同部位之间的空间对齐;模板空间重构法通过将模板的不同区域的图像块互相交换位置,能够将大面积连续遮挡进行琐碎化处理,在不增加计算量的情况下有效的处理遮挡,并且还能够保留目标自身的结构信息;多尺度分块方法将模板按照不同尺度从垂直方向和水平方向进行分块,各个图像块互相包含,这样做可以用较大的互相垂直的图像块定位更加细小的遮挡位置,并且较好的保留了目标空间结构信息。在运动模型方面,本文改进了传统的粒子滤波模型,一方面使用二次搜索的方式,在保证算法准确性的前提下提高跟踪效率,另一方面赋予每个候选粒子一个动态的权重值,用以权衡每个粒子的贡献程度。此外,本文还设计了一种动态字典构建方法和柔性模板更新策略,在跟踪过程中采用模板池动态生成目标字典,该模板池由多种类型的目标模板集构成,可以准确描述目标的最新状态,并且采用一种柔性机制更新模板集,有效避免引入误差过大的模板,防止误差的不断积累。最后通过在高挑战性视频集上的大量定性和定量实验评估可以得出,本文所提出的跟踪算法优于目前的许多流行算法。