目标跟踪在计算机视觉领域中有着广泛的应用，比如监控系统，人机交互，医疗成像等。尽管对目标跟踪的研究在这几十年的时间里取得了很大的进展，但它仍然是一个非常具有挑战性的问题，许多因素都影响着跟踪算法的性能，比如照明变化，遮挡以及背景杂波的存在。目前仍不存在一个单一的跟踪算法可以成功处理所有的情况。因此，近些年来国内外的研究者们投入大量的研究，对一些先进跟踪器的性能进行评估，分析它们的优势和不足，用于确定目标跟踪在未来一段时间的研究方向，以便设计出更具鲁棒性的算法。本文就是基于对一个先进的跟踪器—压缩跟踪算法的研究，继承它创新部分的想法，对它的不足之处进行改进。　　压缩跟踪算法（CT，Compressive Tracking）通过二元分类法，提取目标样本和背景样本的多尺度高维特征，并将高维特征通过测量矩阵压缩为低维特征，训练贝叶斯分类器。在下一帧，将训练好的分类器用来对上一帧目标周围的采样图像进行分类，从而确定出目标位置。　　它的创新之处在于引入了压缩感知算法中的测量矩阵对目标特征进行降维，并且降维后的稀疏特征不用来重建图像，而直接通过贝叶斯分类器来进行分类，从而确定目标。测量矩阵的引用极大地降低了算法的计算量，提高了算法的运行速度。它的不足之处在于：首先算法的目标跟踪矩形框尺度固定，不能随着目标的尺度变化而变化，这与实际的应用不符，限制了算法的应用范围。其次，测量矩阵的生成具有极大的随机性，随机提取样本的灰度信息和纹理信息，使得算法在灰度或纹理剧烈变化的场景中，跟踪效果并不理想。　　本文吸取了压缩跟踪算法的创新点，在通过测量矩阵压缩目标特征并送入贝叶斯分类器中分类的基础上，提出了一种效果更鲁棒的改进算法，即改进压缩特征的尺度自适应性压缩跟踪算法。　　首先，针对CT跟踪框不能随着目标尺度变化的缺点，在采集检测样本时加入了尺度缩放变换，使跟踪框可以随着目标尺度自适应变化，更符合实际的跟踪场景。　　其次，在测量矩阵的生成中引入了平衡参数，有效平衡了图像灰度信息和纹理信息，增强了特征的表达能力，提高了跟踪算法的准确度。　　最后，在不同挑战（光照变化，遮挡，相似物等）的视频序列中，通过跟踪精度，跟踪成功率和跟踪时间鲁棒性三个指标比较改进算法和其他三种流行的跟踪算法的跟踪结果，从而证明改进算法的可行性。