目标跟踪是计算机视觉领域研究方向的一个重要方面，主要目的是跟踪目标物体在视频的每一帧中的外观和运动状态的变化。近年来，稀疏表示被应用到视觉跟踪领域，通常选择最小重构误差的候选区域作为目标。但是大多数基于稀疏表示的方法只利用全局特征，或者仅考虑局部特征的最小重构误差，没有充分利用稀疏编码系数，或者忽略了字典判别性的作用，尤其当目标被相似物遮挡时，往往会导致跟踪目标丢失。针对上述问题，我们的主要工作如下:　　首先，我们首先把FDDL算法引入到目标跟踪算法中，利用FDDL算法学习一个判别式字典，在该判别式字典的基础上，我们设计了两种不同的目标跟踪算法模型:基于FDDL的判别式跟踪模型和基于FDDL的生成式跟踪模型，实验证明这两种目标跟踪模型都具有较好的重构性和判别性。　　其次，我们通过分析局部特征的结构性质，提出了一种加权局部特征的外观模型，根据提取的局部特征所处位置的不同，给每一个局部特征赋予不同的权重，然后提出一种自适应权重更新策略，根据每一个局部特征在跟踪过程中特征值的变化，对权重进行更新，使算法能更好地适应跟踪目标的外观变化。在加权局部特征的外观模型基础上，我们提出了一种新的基于加权的相似性度量方法来处理目标外观变化问题，以此来提高跟踪的精确度和鲁棒性。　　最后，我们在基于判别式字典的生成式跟踪框架下引入加权局部特征，该方法不仅能够较好的区分前景和背景，而且能够有效的对局部特征进行结构分析，能够较好的抑制目标区域内部背景的负面作用。在多个基准图像序列上，与多种流行方法对比，本文方法在光照变化、复杂背景、遮挡等场景中保持较高的跟踪成功率与较低的漂移误差。实验结果表明，本文方法具有较好的有效性和鲁棒性，尤其在目标被相似物遮挡的情况下，也能较准确地跟踪到目标。