随着运动目标检测与跟踪技术的不断发展以及学者们对压缩感知理论研究的不断深入，背景建模和压缩跟踪在理论研究和工程应用中展现出了巨大的价值，尤其是满足了精度、速度的需要。然而由于跟踪背景的复杂性，并存在着噪声干扰、目标遮挡等影响，使得压缩跟踪系统仍然需要改进并提高性能。本文在前人的研究基础上对基于混合高斯的背景模型和基于压缩感知的跟踪算法进行了研究，并对混合高斯背景模型进行了优化以及对压缩跟踪算法进行了改进。
　　为了提高混合高斯背景模型的计算速度，本论文提出了一种基于改进邻域均值的混合高斯背景模型优化算法。针对混合高斯模型在背景建模中存在数据冗余问题，利用3*3模版对视频帧中像素进行均值计算，然后加上均差因子，提出了一种基于改进邻域均值的混合高斯背景模型，用来提高背景的计算速度。通过实验对比了改进后的模型与传统像素形式的模型的算法执行效果与时间，实验结果表明本文提出的优化算法具有更好的鲁棒性，并且在目标检测效果相同的前提下，优化后的模型在计算速度上有了较大的提高。
　　在压缩跟踪算法的研究方面，针对压缩跟踪算法在跟踪目标过程中，目标快速运动和目标外观尺寸变化较大时引起的跟踪失败问题，提出了改进的压缩跟踪算法。首先，对正负样本的采集做了改进，除了采集正负样本集，还额外采集一个候选样本集，从而减少样本采集带来的误差。其次，借鉴多示例学习的算法思想，利用弱分类器的组合构成强分类器，然后对候选样本进行计算来确定目标，并提出了模型学习率和强分类器更新方法。最后，根据候选样本集为正样本集的概率值来自适应调节跟踪目标窗口的大小。实验结果表明，改进后的算法能对快速运动和外观变化较大的目标进行准确的跟踪，改进后的压缩跟踪算法比原算法的跟踪精度更高，鲁棒性更好。