近年来，目标跟踪技术在诸多领域得到了广泛的应用。但在实际应用中,由于跟踪算法受到遮挡、光照变化、旋转和平移、复杂背景等因素的影响，跟踪的实时性和准确性有时难以满足实际需求。在跟踪算法中，粒子滤波算法可以对目标的运动状态进行有效地拟合，而稀疏表示能够很好地突出图像中的主要特征和关键特性。因此，本文在粒子滤波框架下，将稀疏表示理论引入到目标跟踪中，提出了一种基于稀疏表示的目标跟踪算法。论文的主要研究工作如下：
　　1.针对目标被遮挡时全局表示中的目标模板与候选模板匹配误差大的问题，提出了一种基于局部稀疏表示的目标跟踪方法。在对目标稀疏表示时，将目标区域进行重叠分块，对每一个局部图像块进行归一化处理，并将归一化的局部图像块进行稀疏编码，进而获得目标的局部信息，提高了目标的抗遮挡能力。在建立目标函数时，对局部图像块进行稀疏系数加权预处理，并设计稀疏相似函数计算候选目标与目标模板的相似性，以此进一步降低遮挡因素的影响，从而可以得到目标位置的最佳估计。仿真实验结果表明，与经典的目标跟踪算法相比，当目标被遮挡时该算法性能较好，并在一定程度上克服了全局模板在处理目标局部变化时适应性差的问题，提高了算法的准确性和鲁棒性。
　　2.针对目标跟踪中存在的部分遮挡、旋转和尺度变化引起的跟踪漂移和效率低的问题，在粒子滤波框架下，结合稀疏表示思想，提出了一种基于颜色直方图和局部稀疏表示的目标跟踪算法。在构建模板时，首先利用全局与局部模板建立协同模板，然后设计一个度量函数用来计算候选目标与目标模板的相似性，进而可以确定当前帧中目标的位置。而在跟踪的过程中，定义两个目标观测模型，通过对目标的遮挡判断，算法自适应的动态选择观测模型并采用优化模板更新策略，使算法具有较好的判别性和适应性，提高了跟踪的精确度。实验结果表明，该方法在目标旋转、部分遮挡以及尺度变化等情况下具有较好的鲁棒性。