近年来,稀疏表示理论已经成为多种领域的理论基础,学者们对稀疏表示理论的研究不断深入,并且已经成功地将稀疏表示理论应用于图像处理和模式识别等领域。随着信息化进程地加快,静态图像压缩和视频目标跟踪在理论研究和工程应用方面展现出了巨大价值。本文基于稀疏表示理论,对图像压缩和目标跟踪领域进行了研究。由于现有的图像压缩标准在高压缩率下重构出的图像会出现失真,影响正常使用,本文提出了基于稀疏表示的图像压缩方法。利用K-奇异值算法训练平滑块和细节块样本,得到分类冗余字典。根据字典原子与图像信号的相关系数与表示误差的关系,提出了改进的正交匹配追踪算法。利用分类冗余字典,通过改进的正交匹配追踪算法稀疏表示图像,分别得到平滑表示系数和对图像质量贡献较大的细节表示系数。将得到的非零表示系数和这些系数对应的原子索引值进行量化编码,实现对图像的压缩。实验结果表明,与现有标准压缩方法、单一的冗余字典相比,该方法在高压缩率时取得了比较好的压缩效果,在较高压缩率时有效地提升了图像的质量。针对L1跟踪算法在跟踪过程中没有考虑背景因素的问题,本文在L1算法的基础上,提出了基于稀疏表示理论的改进方法,利用K-奇异值算法训练的目标字典和背景字典进行跟踪。在目标跟踪前先判断目标是否出现遮挡,若未出现遮挡,利用L1算法进行跟踪;当目标出现遮挡时,利用背景字典和目标字典判别候选目标是否为目标,若为目标,更新粒子状态,并同时更新目标和背景字典,否则只更新背景字典。实验表明,改进的跟踪算法在目标出现部分遮挡和遮挡物体消失后均能较为准确地跟踪目标,提高了算法的准确性。