视觉跟踪对获得的视频或图像序列中每一时刻的目标位置进行估计,在行为分析、视频监控、自动驾驶和人机交互等领域有着广泛应用。近年来,视觉跟踪方法取得显著进步,许多优秀的跟踪算法被提出。然而,许多具有挑战性的问题仍未得到有效解决,如光照变化,尺度变化,遮挡及背景杂波等问题,从而导致跟踪算法性能显著下降。因此,视觉跟踪仍是一项具有挑战性的任务。为提高视觉目标跟踪算法的准确性和鲁棒性,基于稀疏表示理论,本文对此问题展开研究,主要研究工作和创新点如下:(1)针对光照变化引起目标跟踪性能显著下降的问题,提出一种联合优化光照补偿和稀疏表示的视觉跟踪方法。所提方法首先基于模板与候选目标的平均亮度差异对模板实施光照补偿,并利用候选目标逆向稀疏表示光照补偿后的模板。其次将所得多个关于单模板的优化问题转化为一个关于多模板的多任务优化问题,并考虑候选目标间相似性以对稀疏编码矩阵实施低秩约束,且包含稀疏误差项以提高算法对局部遮挡的稳健性,从而获得光照补偿及稀疏表示联合优化模型。而后利用交替迭代方法求解此联合优化模型以获得最优光照补偿系数矩阵以及稀疏编码矩阵。最后利用所得稀疏编码矩阵快速剔除无关候选目标,并采用局部结构化评估方法实现目标精确跟踪。(2)针对复杂背景及遮挡等引起目标跟踪性能显著下降的问题,本文提出一种基于判别字典学习的目标跟踪方法。该方法首先根据目标时空局部相关性获取目标及背景样本。而后基于稀疏表示建立字典学习模型:基于误差项捕获遮挡等产生的异常值,并利用非凸MCP(Minimax Concave Plus)函数惩罚稀疏编码及误差矩阵,且对字典施加不一致约束项以提高字典鲁棒性和判别性。针对所构建的非凸字典学习优化问题,利用MM-IALM(Majorization-Minimization Inexact Augmented Lagrange Multiplier)优化方法对其求解以获得较好收敛性。最后,由所得判别字典计算候选目标重构误差以构建目标观测模型,并基于粒子滤波框架实现目标精确跟踪。综上,本文深入研究了基于稀疏表示的视觉目标跟踪算法,并进行了实验分析,仿真结果表明,在光照变化,尺度变化,遮挡及背景杂波等挑战下,本文所提方法能够显著提高目标跟踪精度及鲁棒性。