目前,目标跟踪算法经常受遮挡、尺度变化、姿态变化以及旋转等因素的影响,跟踪的实时性和准确性都有所下降,难以满足实际应用需求。近年来,粒子滤波算法和稀疏表示理论在目标跟踪领域得到了广泛的应用。粒子滤波算法可以对目标的运动状态进行有效地拟合,而稀疏表示能够很好地突出图像中的主要特征和关键特性。本文在粒子滤波框架下,结合稀疏表示理论,提出了一种基于稀疏表示的目标跟踪算法。论文的主要研究工作如下:1.针对粒子滤波算法对目标进行跟踪时,经常存在特征鉴别能力弱和跟踪的粒子分布比较分散,使得跟踪的准确率不高甚至丢失目标的问题,首先引入了一种多特征不确定性度量函数,此方法可以实时的估计不同类型的特征对跟踪结果的影响。同时针对传统特征融合策略存在的缺陷,结合乘性和加性融合策略构建了一种特征自适应融合策略,融合的特征突出了粒子滤波后验分布中目标的真实状态。最后将两种特征统一到一个自适应的融合框架下,提出了一种HSV和HOG特征自适应融合的目标跟踪算法。仿真实验结果表明,相较于单特征和传统的特征融合跟踪算法,本文提出算法在目标发生旋转、尺度变化以及姿态变化时有着更好的鲁棒性和稳定性。2.针对稀疏表示算法表示目标时,忽略了各个图像块之间空间信息的问题,在粒子滤波框架下,结合稀疏表示思想,提出了一种基于多特征联合稀疏表示的目标跟踪算法。首先,在进行目标表示时,我们分别选取两种互补特征并且采用目标的动态特征和初始特征共同对目标建模。其次,我们使用两个阶段的稀疏编码方法来获取图像块的空间信息以及稀疏表示的重构误差,通过这两个阶段的求解来构建似然函数。最后,利用所构建的似然函数来对跟踪器进行可靠性估计,选取可靠性高的跟踪器在粒子滤波框架下对目标进行跟踪,并且采用基于当前跟踪结果的增量更新方法对目标模板集进行更新。实验结果表明,本文方法在目标发生姿态变化、尺度变化以及部分遮挡等情况下具有较好的鲁棒性。