视频目标跟踪是计算机视觉领域中一个重要的研究课题，其主要研究目的是跟踪图像序列中的运动目标，从而为人们分析图像序列中的运动目标及其行为提供重要参考价值。视频目标跟踪技术是包含模式识别、图像处理、智能交通以及人工神经网络等学科的综合性交叉学科，已在军事、工业以及民用等领域得到了广泛的应用。
　　由于感兴趣的目标常常存在于部分遮挡、光照变化等复杂场景中，而现有的目标跟踪方法的鲁棒性和准确性往往不能满足实际需求。利用稀疏表示的凸优化特性，将稀疏表示理论和分块思想引入到贝叶斯框架中，采用基于相关样本的KSVD字典构造方法，构建多尺度分块字典，获得目标的全局和局部特征，并对每个分块进行稀疏求解，可以克服复杂背景中目标被遮挡、光照等因素引起外观变化的问题。本文的主要研究工作如下：
　　1、针对字典训练的过程中高维度信号的重构能力不高的问题，提出了一种基于相关样本的 KSVD初始字典构造方法。该方法的依据是字典的训练过程对初始样本具有高依赖性，采用测量值均方差最小的准则，由该准则选取与拟重构信号最相关的样本信号作为初始字典。仿真实验结果表明，在相同实验条件下，该方法与经典的字典构造方法相比，在处理高维度的信号时表现优越，特别是多尺度分块字典的构造方面具有较好的重构能力，并在一定程度上有效提高了字典训练过程中训练字典的质量。
　　2、针对目标跟踪中目标物受部分遮挡、光照变化引起跟踪效率低的问题，在贝叶斯基本框架下，结合多尺度分块和稀疏表示思想，提出了一种改进的目标跟踪算法。在视频序列的每一帧，筛选出能够较好区分目标与背景的特征构建目标模板，对目标模板进行多尺度分块构建过完备字典，该字典包含目标的全局及局部特征信息，能够提取目标的全局和局部直方图特征，并对此进行稀疏求解，使跟踪算法既能较好地适应光照变化，又能解决遮挡因素引起的跟踪不准确的问题。仿真实验结果表明，该方法在准确性上比经典的跟踪算法表现更优越，并在目标部分遮挡、光照变化及姿态变化等情况下具有较高的鲁棒性。