目标跟踪技术是计算机视觉中最核心的研究课题之一，究其原因是目标跟踪技术在人们的日常生活和高端的军事领域有重要的作用，并且有广阔的应用前景。然而，由于场景中的光照变化、动态背景噪声、目标形变和目标的遮挡等因素，使得目标跟踪技在实际应用中很难确保准确性和稳定性。近几年，基于稀疏表达的目标跟踪算法在目标跟踪领域中是一个热点，而且取得了不俗的效果，但是基于稀疏表达的目标跟踪算法还存在几个问题，如：灰度特征对于光照、姿态变化和遮挡不够鲁棒；需要对每一个粒子求1范数最小化，使得计算复杂度高。为了解决这两个问题，本文利用Gabor特征建立字典，解决灰度特征对光照变化和尺度变化的敏感性问题，利用候选粒子字典筛选重要粒子，解决跟踪器计算复杂度高的问题。在基于稀疏表达的目标跟踪算法中，一般都是用单个特征，然而由于单个特征不够鲁棒，本文提出基于稀疏表达的多特征融合机器学习的目标跟踪算法。为了克服全局模板的在处理局部变化不灵活性和由遮挡引起目标模板与候选模板匹配误差大的问题，本文提出了鲁棒的局部表征模型，使得在处理遮挡和目标形变有一定的鲁棒性。本文的三个算法都是在公开的视频库做的实验；选择有明显光照变化、尺度变化、目标形变和严重遮挡的视频序列，三个实验分别在这些序列里取得了不错的效果。