作为一种新的采样理论,压缩感知理论通过利用信号的稀疏特性,使用非相关测量矩阵以远低于Nyquist频率直接采集信号,而且可以在不损失信息的前提下通过重构算法精确重建原始信号。压缩感知不但是信号处理领域的重大突破,而且也为其它学科的研究发展提供了崭新的思路和方法。压缩感知采样理论可以抛弃目标特征中的冗余信息,传统目标跟踪方法结合压缩感知理论可以有效提高跟踪的实时性和精确性。为了提高复杂环境下目标跟踪的实时性和稳定性,研究了基于压缩感知的目标跟踪算法。论文的主要工作包括：(1)研究压缩感知理论的基本理论和方法,讨论压缩感知方法中存在问题的解决方法,重点总结了随机测量矩阵在目标跟踪相关应用的理论基础。(2)针对传统粒子滤波算法在目标跟踪应用中存在的实时性和精确性问题,提出了基于压缩感知的粒子滤波跟踪方法。根据压缩感知理论对粒子滤波目标模型和状态估计过程进行了改进。仿真实验验证了基于压缩感知的粒子滤波跟踪方法可以有效提高跟踪结果的实时性并具有较高的精确性。(3)针对传统基于在线学习的目标跟踪算法存在的实时性问题以及在复杂环境下的跟踪效果不理想,目标易漂移、丢失的问题,提出了一种基于压缩感知的多特征加权目标跟踪算法。通过使用测量矩阵的对目标灰度和纹理特征进行压缩提取,根据不同特征间的稳定性不同在目标分类过程中计算特征对样本分类结果并更新特征的权值。通过对多组视频进行实验验证,本文方法在跟踪精度和实时性能方面优于其他基于在线学习的目标跟踪算法。