目标跟踪就是在连续的视频序列中,建立所要跟踪物体的位置关系,得到物体完整的运动轨迹,目前广泛应用于军事导航、城市智能交通管控、视频监控以及人机交互等方面。在目标运动的过程中,会出现姿态或形状的变化、尺度的变化、背景遮挡或光线亮度的变化等情况,降低了跟踪算法的准确率,构建一个性能高效、稳定的适应强的追踪算法是当前跟踪领域的一大难题。为解决目标跟踪过程中出现的目标丢失及提高跟踪效率,本文做了以下研究:(1)为提高计算速率,减小背景信息的干扰并增强稀疏表示跟踪模型性能,提出了一种利用分段加权函数构建的反向稀疏跟踪算法,将跟踪问题转化为在贝叶斯框架下寻找概率最高的候选对象问题,通过构造不同的分段权重函数分别度量候选目标与正负模板的判别特征系数。利用池化降低跟踪结果的不确定性干扰,选择正模板与负模板相减得到的最大差值系数所对应的候选表示作为当前跟踪结果。4种视频序列实验测试都取得了较好的跟踪效果。(2)针对局部信息未利用、没有充分利用背景、前景比对信息、现有算法在复杂环境下区分目标与背景能力偏低的问题,提出了一种基于改进的AdaBoost强分类器算法,将局部图像块用于判别模型跟踪,能更好地区分目标和背景,实现更准确的目标跟踪。试验证明,算法跟踪性能较优。本文对基于稀疏表示的目标跟踪进行了总结和深入研究,在一定程度上提高了目标跟踪的准确性,但如何将算法推广到多目标跟踪应用中,提高现有跟踪算法的鲁棒性,还需进一步研究。