随着计算机的普及、图像处理技术的不断发展,运动目标跟踪受到人们越来越多的关注。作为计算机领域的一个重要的研究方向,它将图像处理、模式识别、自动控制、人工智能和计算机等很多领域的先进技术结合在了一起,应用前景十分广阔。虽然目标跟踪的算法很多,但还未能满足日益增长的应用需求。本文对运动目标跟踪的技术进行了深入的研究,在认真总结前人研究成果的基础上,深入分析与探讨了目前运动目标跟踪研究领域所面临的主要问题,并借此提出了本文针对这些问题的改进的想法。目标检测是目标跟踪过程中一个很重要的阶段。常用的目标检测算法有帧间差分,背景差分,光流法和混合高斯背景模型等。其中混合高斯背景模型法能够检测出较为完整的运动目标,且对外界场景变化适应能力强,其检测能满足我们下一步目标跟踪的实时要求。因此本文在运动目标检测环节采用了混合高斯背景模型法进行目标检测,并通过形态学滤波填补检测出的运动区域中小的空洞和去除背景中的噪声。目标跟踪问题是本文研究的关键部分。一直以来虽然有很多种的目标跟踪算法的提出,还是有很多挑战的问题需要有待解决。像目标形变,运动模糊,遮挡等因素的对跟踪过程带来的影响。近年来,Xue Mei等人将压缩感知的理论引入到目标跟踪任务中,将跟踪问题视为贝叶斯框架下的稀疏求解问题,提出了L1范数最小化跟踪的算法,但是算法的计算复杂度相当的高,在实时性的应用方面受到了限制。在压缩感知的理论基础上,综合了前人提出的跟踪方法,本文提出了一种更加鲁棒和实时很好的跟踪方法：利用压缩感知理论中稀疏的测量矩阵去压缩从前景检测的目标样本中提出的高维的稀疏Surf特征,对降维后的特征去训练朴素贝叶斯分类器,然后使用该朴素贝叶斯分类器去分类下一帧图像的目标待测图像。通过对多个视频的跟踪实验,实验结果表明本文基于压缩感知的目标跟踪方法相对于以往类似的算法能够有效的提高跟踪效率,并能更好的克服目标跟踪过程中的遮挡,变形等问题,而且在跟踪的实时性更是有不错的表现。