在目标检测与跟踪过程中,往往会出现外界环境的干扰以及目标自身变化等情况,这大大增加了检测与跟踪的难度,降低了算法的性能。本文在对目标检测与跟踪技术国内外研究现状进行深入探讨的基础上,研究稀疏表示理论,并将其应用于遮挡情况下的目标检测中,并进一步提出一种基于鲁棒稀疏表示模型的目标跟踪方法。全文主要内容如下：1、探讨了图像稀疏表示方法,阐述了稀疏表示的凸优化求解算法,讨论了稀疏表示在目标检测与跟踪中的应用,为后续的研究做理论准备。2、针对遮挡等干扰情况下人脸图像检测困难的问题,提出一种基于稀疏表示的遮挡人脸检测算法。首先将测试样本由训练样本与干扰样本组成的字典进行稀疏线性表示,并且使用K-SVD方法训练字典,使得在严格的稀疏度约束下仍可以获取样本在过完备字典下的稀疏表示,然后使用稀疏系数集中度进行人脸与非人脸图像的判别,且可使用编码残差进一步识别人脸图像,最后采用随机投影的方法对测试样本进行降维,减少检测过程中的计算量。3、针对稀疏编码的重构精度不高的问题,提出了一种改进的稀疏编码模型。首先模型无需重构误差满足特定的先验概率分布,且加入对编码系数的自适应约束,使模型求取编码的极大似然估计解,对干扰更加鲁棒,可以取得更优的跟踪效果；其次,使用改进的目标模板更新方法,将受干扰较大样本排除在目标模板库之外,使当前的目标模板能够更好地描述最新的目标状态,最后,将其应用于粒子滤波框架下实现对目标的跟踪。4、选取若干遮挡人脸图像和具有代表性的跟踪视频,使用本文的改进算法进行实验,实验结果表明,检测算法在处理目标部分遮挡时具有较好的鲁棒性,并且处理的遮挡类型多样化；跟踪算法可以较好地解决目标部分遮挡和光照变化等干扰下的目标跟踪问题。