视觉目标跟踪在机器视觉领域中作为一项前沿技术,是实现人工智能的重要组成部分,其主要涉及到图像处理、信号处理、模式识别等专业知识,且目前已广泛应用于安防监控、视觉检测和智能驾驶等新兴产业,因此视觉目标跟踪技术在未来具有很大的研究和实用价值。本文中,在研究单向稀疏表示模型求解稀疏性的前提下,发现因单向稀疏系数矩阵是分开求解的,所以它们无法有效地挖掘正向和逆向稀疏系数矩阵之间相关性,故提出基于双向稀疏表示的目标跟踪算法,并且将双向稀疏目标表示引入到贝叶斯跟踪框架中,从而能更好的减少因目标外观变化带来的不利影响。本论文的主要研究工作如下:(1)研究国内外关于目标跟踪的相关基础理论,同时探讨和实现基于稀疏表示的稀疏系数求解算法,从而对本文提出的目标跟踪算法研究提供部分基础理论知识。(2)针对单向稀疏表示无法有效关联各自的稀疏系数矩阵,为了将候选样本更好地在模板集中表达,提出基于双向稀疏表示目标跟踪算法框架,并用L2范数来约束正逆向稀疏重构误差,并采用加速逼近梯度算法优化正逆稀疏系数矩阵。通过权重矩阵与正逆稀疏系数矩阵相结合,把得到候选样本集上差异度最大的候选样本作为跟踪最优目标,该提出的算法相比传统单向稀疏表示跟踪算法稳定性大大提高。(3)在候选模板集和目标模板集相似性距离度量上,由于传统欧式距离的权重在目标发生遮挡、光照和阴影的环境影响下具有不准确性,基于此提出改进的局部加权度量算法。本改进度量算法在复杂环境视频序列上运行,相比传统欧式距离度量算法具有较高的鲁棒性。