视觉跟踪作为计算机视觉领域中的一个基础性问题，是一项融合了数字信号处理、模式识别、机器学习、人工智能、数据挖掘、多媒体检索等许多相关领域先进成果的高级课题。在民用和军用的许多领域有着广阔的应用前景。近年来，研究人员已经提出了许多经典的视觉跟踪算法，但是设计一个能够兼顾目标的各种视觉外观变化、遮挡与噪声、尺度变化和复杂的运动背景的跟踪算法，仍然是一个具有挑战性的难题。
　　本文回顾了贝叶斯框架下的粒子滤波算法，利用稀疏表示理论，基于主成分分析的子空间模型，多任务学习，朴素贝叶斯分类器等方法，提出了三种目标跟踪算法。
　　1）在原始的高维度Haar-like特征基础上，利用稀疏表示的特征选择作用，对其进行降维处理，选取那些对于目标和背景区分有显著效果的特征。选取正负样本降维后的特征，训练朴素贝叶斯分类器。最后，利用该分类器进行目标跟踪。对比实验表明，该方法在具有挑战性的视频序列上取得了较好的跟踪效果。
　　2）在传统的基于稀疏表示的目标跟踪算法框架下，引入基于PCA分析的子空间外观模型更好的表示目标特征，且利用增量PCA算法进行外观模型的在线更新，较好地处理目标的外观变化。同时，将跟踪算法中每个待选目标的稀疏求解过程视为一个独立的任务，借助多任务学习的方法，挖掘各个任务间的关系，联合求解出稀疏表示的系数。在多组视频序列上的对比实验表明，该方法具有较好的跟踪效果。
　　3）将稀疏表示方法应用到目标的外观模型表示中，构建了一个基于稀疏表示的局部外观模型。此模型充分利用了稀疏表示的系数来刻画目标，能够在目标与背景之间做出较好的区分。同时，增量子空间学习和稀疏表示共同应用于更新目标模型，能够较好地处理漂移和部分遮挡的问题。借助传统的基于稀疏表示的目标跟踪算法框架，该方法在多组视频序列上均取得了较好的跟踪效果。