目标识别与目标跟踪是计算机视觉领域的重要研究之一,其主要目标是从图像或视频中识别目标,以及准确定位目标在每一个视频帧中的位置,从而实现对特定目标身份的判别及其在实际场景中运动轨迹的持续、稳定跟踪.尽管目标识别与目标跟踪技术已经广泛应用于公共安全、刑事侦查、无人机监控、机器人导航、智能交通视频监控、视频检索等诸多领域,可是由于受到光照变化、尺度变化、外观形态变化、物体间遮挡、运动模糊、平面外旋转以及平面内旋转等多方面因素的相互影响,现有目标识别和目标跟踪算法在复杂场景中的表现还有很大提升空间.鉴于此,有三方面因素往往会导致典型目标识别和目标跟踪算法的性能出现恶化乃至失效:首先,图像和视频的低分辨率使得不同特征的类间距离变小;其次,拍摄角度、镜头参数和光照条件的变化使得同一目标在不同摄像头下表现出明显的外观变化;第三,频繁的物体间遮挡使得特定目标的特征变得很不稳定甚至丢失,出现类内差异大于类间差异的现象.因此,抗干扰能力强、高效鲁棒的目标识别和目标跟踪算法仍然是计算机视觉领域的挑战性研究问题.在这种情况下,本文围绕复杂场景下的目标识别和目标跟踪方法展开了研究,力图通过引入稀疏性约束、注意力感知、特征通道加权判别相关滤波器的机制,构建更加鲁棒的目标识别和目标跟踪算法,从而增强其对复杂场景下的低分辨率、外观变化和物体间遮挡的鲁棒性.本文工作的主要内容如下:（1）基于一致稀疏表示的视频人脸识别方法.首先,提出标签一致性的先验假设,并考虑到数据集中同一类样本所对应的字典应组合在一起.从而数据集的字典具有块状结构分布特性,且由于测试集图像之间彼此关联,利用字典中最少数量的块进行线性表示即可实现整体重构.其次,鉴于lF,0混合范数能够表示重构系数矩阵中非零矩阵块的数量,即数据集中用来重构测试集的图像集数量,本文采用lF,0混合范数对系数矩阵进行约束,进而获得了较之l2,1混合范数约束更加稀疏的、具有明显块状结构分布特性的线性表示系数.最后,将一致稀疏表示模型与l1范数相结合,提出了CSR-l1模型.它能够兼顾考虑类间稀疏约束和元素级稀疏约束,且对目标物体的表观变化有较好的鲁棒性,从而为进一步提高识别率奠定基础.实验结果表明,该方法在标准的图像和视频数据库上取得了高于传统方法的识别率.（2）基于注意力感知对抗网络的行人重识别方法.首先,针对基于深度学习的行人重识别方法面临训练数据多样性不足的问题,提出了通过依次遮挡特征图的不同区域,进而在特征图层面增加训练数据多样性的策略,提高了分类器的有效性和可靠性.其次,为了应对识别过程中的遮挡等挑战,提出了注意力分配机制以及一种基于注意力分配的对抗神经网络结构.该网络选择分类概率最低的遮挡特征图作为困难样本,将其与初始注意力图同时输入到对抗损失函数来训练网络,生成一幅更加精细的注意力图,从而为目标物体的多个重要区域分配注意力.最后,将注意力图与初始特征图融合,获得注意力感知特征图.并将其与初始特征图输入到对抗损失函数,再通过最小化两个特征图的分类概率之差,即可实现注意力感知对抗网络的训练.实验结果表明,本文方法在标准数据集Market1501和DukeMTMC-reID上取得了高于典型算法的行人重识别精度.（3）基于一致稀疏表示以及加权判别相关滤波的目标跟踪方法.首先,对粒子滤波方法得到的每个候选粒子进行扰动,产生小的视频流.同时,在观测目标子空间基底中加入非目标物体的特征,从而将目标跟踪问题转化为基于视频流的二分类问题,再利用一致稀疏表示模型进行分类,有助于提高目标跟踪的鲁棒性.其次,针对C-COT算法中对特征通道赋予相同权重的不足,提出了特征通道自适应加权的方法.以平均峰值相关能量作为引导,为不同特征通道赋予不同权重并实现不同的特征通道加权求和,得到最终的加权特征响应图,并以该响应图的峰值来定位目标.最后,为了避免逐帧更新模型导致的相似背景干扰和过拟合现象,引入峰值旁瓣比作为更新决策依据.只有当峰值旁瓣比大于某一阈值时,才对跟踪器进行更新,从而实现跟踪器的自适应更新策略.实验结果表明,相比C-COT算法以及其它九种典型算法,本文算法对特定目标的跟踪性能有了明显的提升.