目标检测与跟踪融合了图像处理、模式识别和人工智能等多个学科,是计算机视觉领域的重点研究方向。特别是对于复杂背景下弱小目标检测与跟踪的研究,已成为目前的研究热点。如何提高运动目标检测与跟踪的准确性和高效性是研究的关键与难点,本文主要针对压缩感知算法进行研究,分别从图像预处理、目标检测、目标跟踪三个方面展开。主要研究工作如下:(1)针对基于压缩感知的目标跟踪算法(CT算法)中的特征选择问题做了研究,尤其是对压缩感知理论中的朴素贝叶斯分类器模型H(v)做了公式推导和理论分析,得到了每一个特征对应的h(v_i)是一个关于正、负样本均值和标准差的函数,且具有抛物线的特征,当负样本的标准差大于正样本的标准差时,h(v_i)能够取得最大值,这时正、负样本的区分度较高,特征对于分类的效果较好,因此将负样本的标准差大于正样本的标准差作为特征选择的条件。基于此,设计出了一种基于改进的压缩感知目标跟踪算法(GCT算法),以Open CV函数库和Visual Studio 2010为实验平台做了对比实验,通过实验分析和验证,得出GCT算法具有较好的鲁棒性、准确性。(2)针对弱小目标的跟踪问题,本文提出基于特征加权的压缩感知弱小目标跟踪算法(WCT算法)。首先,分析了弱小目标的特性以及研究难点;然后,从增强函数连续和增强函数离散两个方面分析了直方图均衡化的数学理论,并利用直方图均衡化的方法对图像做增强处理,拉大图像中目标和背景之间的像素距离,使得图像对比度增强,图像特征更具有区分度;最后,对朴素贝叶斯分类器进行了改进,对每个特征引入权值,利用Relief(Relevant Features)特征选择优化算法中的权值计算方法对每个特征赋予相应的权值,并在每帧获取到目标后更新权值,在GCT算法的基础上改进得到WCT算法。将提出的WCT算法与CT算法和GCT算法做了对比实验,通过实验对比分析,可以得出WCT算法具有较好的鲁棒性、准确性。本文的研究一方面从严格的理论推导和分析上给出了基于朴素贝叶斯分类器模型h(v_i)的特征选取方案,提高压缩感知算法的跟踪效果;另一方面,基于图像增强和特征加权的思想进一步提出了一种弱小目标跟踪算法,达到了理想的跟踪效果。