视频图像中的运动目标跟踪作为计算机视觉领域的核心研究课题之一，经过近五十多年的发展得到了广泛而深入的研究。它融合了图像处理、模式识别、人工智能、自动控制等相关领域的研究成果，在视频监控、机器人导航、视频传输、视频检索、医学图像分析、气象分析等许多领域有着广泛的应用。本文以此为研究内容，具有重要的理论意义和广阔的应用价值。　　 视频目标跟踪的本质在于在视频帧的搜索区域中找到相应的跟踪目标，所以我们可以合理的假设跟踪目标可以通过搜索区域内的跟踪样本进行重构得到。本文提出了基于样本空间目标重构的跟踪算法，即从搜索区域的样本集中获取目标重构系数的跟踪算法。首先，在视频上一帧的跟踪目标周围建立搜索区域，在搜索区域内按照一定的规则构建样本集；然后，在获得的样本集的基础上，通过使用一类支持向量机(One-Class SVM)和稀疏表示(SparseRepresentation)对样本集合中的样本进行评估与选择，选择出具有代表性的样本重构目标，从而实现目标的跟踪。因为在样本空间的目标重构中，我们选择几个包含目标某一部分的候选样本作为重构目标的基，因此基于样本空间目标重构的的跟踪算法具有较强的鲁棒性，在算法介绍的最后我们对提出的基于One-Class SVM和稀疏表示的目标重构跟踪算法进行了实验验证。　　 (1)基于One-Class SVM目标重构的跟踪算法。一类支持向量机应用于只包含一类样本的情况，在高维特征空间中构造一个尽可能多的包含样本的尽可能小的超球体，从而描述一类样本数据概率分布的二值模型。在目标跟踪下，我们将样本集作为一类样本，使用一类支持向量机进行模型的在线训练，从而对样本集合中的样本进行评估与选择，最终重构目标以实现目标跟踪。　　 (2)基于稀疏表示目标重构的跟踪算法。稀疏表示使目标重构系数集中于尽可能少的样本上，这些样本揭示着跟踪目标的主要特征和内在结构，从而实现目标跟踪的鲁棒性。