近年来,目标跟踪技术引起了国内外研究人员的高度关注,并被应用于多种研究领域,如区域监控、交通系统、智能人机接口等。然而在跟踪目标的运动场景中存在目标遮挡、光照变化、目标自身的形变、背景干扰等因素的影响,导致目标跟踪的效果不是很好。目前,如何有效提高实际应用场景中跟踪算法的实时性和准确度是目标跟踪的研究重点。基于稀疏表示的目标跟踪算法可较好的应对目标外观的变化,然而该算法中采用的字典容易失效,从而导致跟踪失败。本文在基于稀疏表示的目标跟踪算法的研究基础上,结合前人的研究工作,提出了改进的目标跟踪算法。本文主要研究成果如下:传统的稀疏表示跟踪算法直接利用较为简单的灰度特征进行稀疏表示系数的计算,易受遮挡、形变等影响。为此,提出一种融合局部加权余弦与稀疏表示的目标跟踪算法,首先由局部加权余弦相似对目标模板和候选目标进行匹配,其中采用的局部加权算法增加了未受遮挡、形变等影响的候选目标的权重。其次通过对目标区域局部图像块稀疏编码来表示目标,重建误差的构建考虑了局部图像块之间的空间布局。联合模型将目标的当前状态和原始状态都考虑在内,提高了观测模型的可靠性。最后利用最大后验概率估计目标状态。另外,本文提出了新的模板更新方法来应对目标外观变化问题。实验表明,该算法具有较强的鲁棒性。采用L2范数正则化的最小二乘法解决稀疏表示模型的高算法复杂度的问题。首先,每一帧的遮挡率由L2跟踪算法来评估;其次,当遮挡率满足两个不等式约束时,用卷积网络算法来对跟踪目标进行修正。为了使卷积网络适用于实时性要求较高的跟踪任务,本文采用简单的两层卷积网络来对目标进行稳健性表示。最后,在应用卷积网络求取样本的特征图时,大部分不重要的样本被去除,这使得算法的复杂度降低。在许多具有挑战性的测试视频上的测试结果表明,当目标发生旋转或姿势变化等剧烈的外观变化时,所提出的算法比L2跟踪算法鲁棒性更强,并且在精度方面优于其他经典跟踪算法。