虽然在不少研究者们的深入研究下,视频目标跟踪算法在过去的几十年里有了很大进展,但是复杂场景中存在的遮挡、光照变化、目标形变及动态背景噪声等因素引起的目标外观变化,使得设计一个高精确性、稳定性和鲁棒性的跟踪算法仍然是一个富有挑战性的任务。本文在现有目标跟踪算法的基础上提出了两种基于低秩稀疏表示的目标跟踪算法。本文首先在生成模型的框架下引入了低秩稀疏表示模型,提出了基于主成分分析基向量模板和平方模板的低秩稀疏表示模型。该模型充分利用了主成分分析基向量模板和平方模板用于构建目标外观模型字典矩阵的优势,而且低秩约束很好地反映了候选粒子的结构信息。由于不同质量的目标跟踪结果对子空间的构造和更新具有不同的影响,故对每一个跟踪结果引入了一个基于目标重构误差的权重值,再将该新样本用于增量主成分分析算法来更新目标表示模型。最终得到了一个基于低秩稀疏表示的加权增量目标跟踪算法(LRSWT)。本文还提出了一个基于联合系数矩阵的低秩稀疏表示目标跟踪算法(JCLRST),该算法提出了一个新的基于联合系数矩阵的低秩稀疏目标表示模型,它在进行多任务处理时将目标低秩稀疏表示的系数矩阵分为了两个部分之和,一个部分用于对具有相关性的任务进行表示,另一个部分用于表示多任务中的离群值。且对前一部分系数矩阵同时加以低秩和稀疏约束进行学习,而对后一部分仅加以稀疏约束进行学习。最后将该目标表示模型嵌入到粒子滤波框架中,获得了一个新的目标跟踪算法。并且就粒子滤波中存在的粒子退化问题,对每一帧中的所有候选粒子进行重采样,与以往每帧都重新采样相比,有效提高了粒子的继承性。在大量具有挑战性的国际公开视频中测试得到的定性实验结果与定量数据分析证明,本文提出的算法在复杂环境中的目标跟踪具有较好的鲁棒性。