视频目标跟踪是计算机视觉中热门的研究领域。目前广泛应用于智能监控、智能交通、金融、生物医学,人机交互等领域。为了满足日益增长的视频跟踪应用的需求,经过多年的发展,视频跟踪已然成为了计算机视觉领域中一个具有挑战性的研究领域。目前,稀疏表示已被广泛应用于人机交互和智能视频监控,并取得了一系列研究成果。其中,稀疏表示所构造的表示模型(representation model)不仅能够很好地克服噪声、遮挡的影响,而且对各种场景下的光照变化也具有很好的鲁棒性。在此基础上,利用稀疏表示来对进行视频目标跟踪,成为一个热门的研究课题。本文提出了三种改进的基于稀疏表示的视频跟踪算法。通过大量文献阅读,工作重点主要放在字典构造以及更新阶段。(1)基于文献[22]的研究基础,本文在构造字典的过程中添加了背景模板作为琐碎模板,通过目标模板稀疏系数的稀疏度对字典进行更新；(2)本文将候选目标作为字典,减少了L1范数最小化的计算复杂度；(3)本文使用在线强字典学习(ORDL)算法对字典进行更新,通过算法可行性实验以及最终实验结果可以看出,该字典更新算法应用到视频跟踪中的结果具有比较好的鲁棒性与准确性。本文对多组标准测试视频进行实验,并与其他算法进行了实验结果数据比较,结果表明本文的三种改进算法对于目标遮挡,光照变化,目标模糊和形变等具有较好的鲁棒性。同时在实验过程中,本论文还具体分析了算法三中的字典更新策略的可行性,以及对同一标准测试视频中不同算法的定量与定性分析比较。