目标跟踪技术是计算机视觉领域的一个研究热点,旨在对视频中的任意目标进行连续、精准地定位,以便完成对目标行为的分析与理解等更高级的视觉任务。它在军事国防和民用安全方面有着重要的研究意义和广阔的应用前景广阔,主要包括安全监控、军事现代化、交通导航、医疗影像处理等方面。尽管目标跟踪技术在过去几十年里有很大进展,但仍存在若干没有妥善解决的难点,使得设计鲁棒且高效的目标跟踪算法仍然富有研究价值和实用意义。本文对目标跟踪技术的研究背景、现状与挑战之处进行了总结,分类介绍了几种有代表性的跟踪算法,其中重点介绍了基于稀疏表示理论的跟踪算法。在此基础上,本文着重探讨如何更合理地将稀疏表示理论应用于目标跟踪任务,同时提升算法的精度与速度,并提出两种高效率的稀疏表示目标跟踪算法：一是基于L2正则化最小均方(L2-RLS)模型的跟踪算法。对比于传统的L1跟踪算法,该算法采用了更高效的L2正则化最小均方模型,有效降低了算法关键步骤的计算复杂度,并针对L2正则对系数稀疏性限制有所减弱的情况建立了以PCA基向量和方块模板为基础的目标表示模型,确保目标与噪声仍能被精准地建模。二是基于反向稀疏表示和局部加权距离的跟踪算法。该算法着眼于稀疏表示模型中的距离测度,在分析了原有的欧式距离测度的缺陷后提出了局部加权距离测度,能克服遮挡、不均匀光照等难点准确地度量候选和目标模板的相似性。同时该算法采用反向稀疏表示框架,将每帧需要求解的L1最小化问题个数从几百个降至一个,令算法效率大幅提升。通过设计若干参照算法进行对比,本文分别验证了两种算法的合理性,确保算法的每个组成部分都对整体性能提升有实质性贡献。同时本文在大量具有挑战性的视频上测试了提出的算法,并与十几个当前最优秀的跟踪算法进行对比,结果表明本文算法在精度和速度上均具有优势。