近些年来目标跟踪技术始终活跃于智能视觉领域,在实际生活及工业场所如机场,车站,商场等都发挥着极大的作用。由于遮挡,形变,旋转,尺度和背景杂乱等挑战性因素,开发一个既有效又快速的跟踪器一直是一项很困难的课题。本文对目标跟踪的研究意义,研究现状和研究难点进行了总结分析,介绍了相关的当前较好的目标跟踪算法以及基于字典表示的编码模型,同时给出了它们的优势和不足之处。在此基础上,我们提出了两种基于字典表示结构的视觉跟踪算法,即基于判决性字典外观学习的目标跟踪和基于双重聚类结构的目标跟踪。本文首先分析了之前基于字典建模的局限性,提出了判决性字典学习的模型,将外观学习和目标匹配规划在同一个目标框架下,同时联合学习字典和分类器,使其相互促进,有利于跟踪性能的提升。同时采用了差分跟踪的方法优化求解目标的运动变化量,使目标框更有目的性地移动,避免了对大量无关候选的处理操作,提高算法效率。此外,本文还提出了基于支持向量机分类器的在线更新策略,以捕捉跟踪过程中目标的外观变化,并削弱遮挡和不精确定位产生的不利影响。本文还分析了原始稀疏表示模型的不足之处,将其在群组层面上进行建模,同时利用字典原子和候选样本之间的聚类结构信息,并联合考虑了样本间的共性和各自的特性。候选的聚类可以使得所有样本共同编码,而字典的聚类能够产生群聚效应。另外,我们给出了一个快速的求解方法来优化目标函数,该优化过程包含了一个矩阵阈值化和向量阈值化的操作,很自然的得到了所期望的组间稀疏和组内稀疏模式。为显式处理遮挡影响,我们还加入了一组琐碎模板组来建模未知的噪声。我们在大量的挑战性图像序列上对所提出的两种算法进行了测试验证,包括与其他当前较好算法的对比,以及这两种算法的比较。实验结果证明与其他算法相比,我们的算法可以获得更优异的性能,表现效果更好。