动态场景下的目标检测和跟踪是计算机视觉领域的重要组成部分,在视频监控、航空制导、人机交互、交通监控等民用和军事领域上都有广泛的应用。但在实际应用中,目标的检测和跟踪仍然面临着各种困难,如光照变化、背景动态变化、目标姿势的改变、遮挡等,因此设计鲁棒的视频目标检测和跟踪算法仍然是具有挑战性的任务。稀疏表示和压缩感知理论是近年来比较受关注的前沿理论,其中图像稀疏表示是研究热点之一,在目标识别和跟踪中都取得了较好的效果。基于稀疏表示和压缩感知理论,本文的主要研究工作和创新点如下：针对复杂场景下的视频目标,提出了一种基于分层模型的的背景差分目标检测算法。首先研究了动态组稀疏信号及其重构算法,改进实现自适应稀疏度的动态组稀疏重构算法,提出了基于自适应DGS的背景差分算法实现目标检测。针对视频序列中场景的动态变化,采用在线背景字典学习算法,利用前几帧的重构背景作为训练样本来更新,避免了由单一或有一定噪声的背景样本更新背景模型而产生误差。最后,针对图像稀疏信号重构算法复杂的计算量,提出分层模型目标检测算法。实验结果表明,该算法能够减少计算的像素量,降低背景重构的复杂度,减少算法运行时间。针对复杂背景条件下运动目标实时跟踪问题,提出一种基于MCMC (Markov Chain Monte Carlo)采样的压缩感知实时目标跟踪算法。该算法首先用随机测量矩阵对采样得到的样本特征向量进行压缩描述,并用基于MCMC的采样方法生成粒子提议分布。其中本文改进传统的MCMC采样方法,以贝叶斯分类器得到的粒子置信值作为接受机制的判定依据,实现目标的关联采样。更新策略采用初始模型与最新观测模型相结合的两阶段更新机制,结合初始模型和在线更新模型,实现了对目标的准确跟踪。该算法避免了传统的粒子滤波采样粒子贫化,并且通过对特征向量的压缩感知确保目标实时跟踪。实验结果表明,该算法能够很好地实现复杂条件下运动目标鲁棒实时跟踪。