目标跟踪是指在视频序列的每一帧中,确定目标的位置区域,以生成目标的运动轨迹。作为计算机视觉的一个重要研究方向,目标跟踪广泛应用于视频监控、人机交互等领域。由于一些不利因素,如随机采样、遮挡、外观变化等,如何实现稳定和鲁棒的跟踪性能是一个比较困难的问题。为此,我们开展了以下两个方面的研究工作,这两个方面都是在不同的场景中对单目标研究。(1)提出了一种基于混合词典的稀疏协作模型的目标跟踪算法。首先,通过k-means聚类和K-SVD分别提取两种类型的词典,建立相应的稀疏协作模型,并计算候选目标的似然函数值。然后,通过考虑三个因素,即似然函数值、重构误差和稀疏度,设计了一种有效的选择策略,以确定最终跟踪结果。通过融合不同词典的稀疏协作模型的目标跟踪结果,所提出的方法,有效的降低了由于采样的随机性造成的跟踪结果的不稳定性。(2)提出了一种基于组合相似性度量的鲁棒的目标跟踪算法。在视频序列的前几帧中,通过kd-tree函数搜索最佳候选项,构造初始字典。对于候选目标,利用自适应结构局部稀疏外观模型,计算局部小片的稀疏表示系数,并通过加权计算似然值。为了减轻遮挡的影响,在计算似然值时设计了平滑操作。另一方面,在随机采样的正、负样本模板上,通过稀疏协作模型计算每个候选目标计算置信值。最后,通过结合似然值和置信值,设计一个组合相似性度量,以搜索最佳候选目标。通过融合两个相似性度量,以及利用平滑操作降低遮挡的影响,所提出的方法,显著提高了跟踪性能的鲁棒性。本文中所提出的两个方面的工作,有效增强了跟踪性能的稳定性和鲁棒性,对于多个广泛使用的具有挑战性的视频序列,实验结果验证了所提出方法的有效性和可行性。