作为图像处理与模式识别领域的一个重要组成部分,目标跟踪在车辆导航、视频检索、行为分析等多项领域有着广泛的应用前景。传统的目标跟踪方法通常利用目标灰度信息与背景的差异进行目标分割实现对目标位置信息的获取,但是对于扩展目标,因为在视场中占有很大的比例,并且在运动过程中会受姿态变化、尺度变化、遮挡等外部环境的干扰,这样会使目标的部分特征信息丢失,导致特征失匹配,从而影响目标跟踪的准确性。因此研究一种鲁棒性高的跟踪算法来实现对扩展目标的稳定跟踪依旧具有很大的难度。本文主要从特征描述方面展开深入研究,找到最有效的目标表示方法,针对现有特征描述方法和目标跟踪方法的不足,提出了一些有效的新方法。本文首先分析了SURF描述子和BRISK描述子的优缺点,针对SURF描述子不能满足实时性,BRISK描述子提取的特征点数量较少,本文提出了一种新的特征描述方法 SURF-BRISK。该描述方法采用SURF描述方法提取特征点,采用BRISK描述方法计算描述子,在保证描述子性能的同时大大地提高了算法实时性。本文将现有的主要描述方法应用于目标定位,首先提取特征点,并进行匹配,然后采用RANSAC算法去除错误匹配,根据正确的匹配点对计算出仿射矩阵,并找到目标在下一帧中的位置,实验表明本文算法SURF-BRISK要优于其它的描述方法。由于基于特征匹配的目标跟踪算法不能处理纹理不丰富的视频,因此本文又提出了一种新的跟踪算法——(Local Sparse Appearance Model,LSAM)。本文首先介绍了粒子滤波(Particle Filter,PF)算法的详细理论,接着介绍了本文所采用的粒子滤波跟踪框架,最后详细介绍了LSAM算法的原理。该算法采用稀疏表示和局部图像块重叠采样建立目标外观模型,通过平均化对齐汇聚操作获得候选目标的向量表示,结合稀疏表示和增量子空间算法来更新模板,在贝叶斯框架下,将跟踪看成是求解最大后验概率的问题。整个算法的框架分为构建字典、候选目标的稀疏表观模型、计算后验概率、模板更新四个模块。本文使用了大量的经典跟踪视频对算法进行了全面的测试,并将其与现有的算法进行了客观上的比较,实验表明本文算法的性能要胜于其他现有算法。本文算法也存在着一定的缺点,算法的实时性不是很高,并且在目标出现运动模糊时,跟踪效果不是特别好。最后,对本文的研究内容和创新点进行了全面的分析和总结,并给出了本文算法在将来科学研究中继续改进的思路。