近年来,计算机视觉飞速发展,在农业、工业及军事等领域都得到了广泛应用,在一些危险或不适合人类作业的环境下可以代替人类视觉。图像处理、图像目标检测、识别及跟踪是计算机视觉研究的关键内容。图像的质量直接影响图像的进一步使用,超分辨率方法可以帮助照相机提高图像分辨率,提供更多的图像细节。目标检测、识别、跟踪是指对图像或视频中特定目标进行标记辨识,从而为进一步决策提供信息。稀疏表示方法在进行图像表示时具有优越的性能,在图像超分辨率、目标检测识别及跟踪等方面都可以发挥重要作用,已经引起了国内外研究人员的广泛关注。本文以基于稀疏表示的图像超分辨率与目标跟踪为课题展开了研究工作,主要内容包括以下几方面:第一,结合图像结构特征,提出了一种基于组稀疏表示的图像超分辨率方法。首先,联合组正交追踪和K-SVD提出了一种同时训练高分辨率字典和低分辨率字典的方法,经过字典训练,对应的低分辨率图像和高分辨率图像具有相同的组稀疏表示系数。之后,基于训练后的低分辨率字典和高分辨率字典,求解出低分辨率图像的组稀疏表示系数并用于重构高分辨率图像。经过不同的图像样本训练,本文的方法可以对红外图像和普通光学图像进行超分辨率,在图像超分辨率结果中不仅提供更多的图像细节信息,并且对图像噪声具有抑制作用。第二,利用图像目标元素特征与结构特征,提出了一种基于图像联合特征稀疏表示的目标检测方法。首先将图像分块,提取每一块图像的SIFT特征作为元素特征,再计算图像中块与块之间的相关性作为结构特征。元素特征是一种局部特征,结构特征是一种全局特征,联合两种特征能更准确的表示图像。之后对联合特征进行稀疏编码,并建立基于稀疏编码的金字塔式特征柱状图作为图像特征。再将特征柱状图输入到提前训练过的SVM分类器中进行分类,对图像进行二值分类后形成目标可信度图像。最后在目标可信度图像中通过非极大值抑制方法对目标进行标记。本文的方法对单尺度目标和多尺度目标都具有良好的检测性能,在高召回率的情况下依然可以达到较高的准确率,对目标遮挡和目标重叠具有较强的鲁棒性。第三,融合稀疏表示与支持向量机,提出了一种基于贝叶斯决策级融合的图像目标识别方法。首先,提出了一种基于匹配追踪的快速稀疏表示分类器。在快速稀疏表示分类器中,字典由训练图像构成。在求解测试图像的稀疏编码时,通过匹配追踪方法在稀疏系数中只求出一个非零元素,测试图像通过这个非零元素在稀疏系数中的位置进行分类。同时,采用了支持向量机分类器对图像目标进行分类。在支持向量机分类器中,首先提取图像的主成分分析特征,之后选择了径向基核函数确定超平面。最后,通过混淆矩阵分别计算两个分类器的可信度,快速稀疏表示分类器的分类结果和支持向量机分类器的分类结果进行基于贝叶斯规则的决策级融合,融合后可信度最大的结果即为最终分类结果。对SAR图像和人脸图像识别实验证明,本文的方法比单一目标识别方法在识别率和稳定性方面都有较大的提升,速度仍然较快。第四,针对主成分分析跟踪方法对目标遮挡较为敏感的问题,提出了一种基于主成分分析和局部稀疏表示融合的鲁棒性目标跟踪方法。首先,候选目标通过主成分分析子空间模型进行重构,为了处理遮挡,在主成分分析子空间模型中提出了一种基于块的相似性估计策略。之后引入了局部稀疏表示模型,通过稀疏编码的表示误差检测遮挡块并估计候选目标与真实目标的相似性。最后,对分别通过主成分分析子空间模型和局部稀疏表示模型获得的候选目标的两个相似性进行融合并预测最终跟踪结果。在八个挑战性图像序列中与多种流行跟踪方法比较发现,本文的方法对跟踪中较为常见的目标遮挡、光照变化、运动模糊和背景复杂等情况都具有较强的鲁棒性。论文最后总结了全文的主要工作和创新性研究成果,并对下一步研究工作进行了展望。