目标跟踪在计算机视觉领域一直是一个热门的研究方向，它主要通过分析图像特征来确定当前最可能的目标状态。然而，设计一款鲁棒的跟踪器并不容易，需要面临跟踪中可能出现的很多挑战和未知问题，例如光线变化、尺度变化、目标遮挡以及目标形态变化等等。稀疏表示算法近几年在目标跟踪中具有很好的表现，本文主要基于稀疏表示提出了两个鲁棒的跟踪算法。
　　本文首先在生成模型框架下结合全局特征和局部特征，提出了一种基于联合模型的目标跟踪方法。该算法在粒子滤波框架下，根据视频序列目标的不同状态，结合全局外观模型和局部外观模型的优点，动态选择跟踪模型。采用增量主成分分析法更新全局模型;在局部模型更新方面，根据目标与特征空间的投影误差采用一种动态更新策略，有效地避免了目标遮挡等不准确因素给模型更新带来的影响。
　　然后本文在判决模型框架下提出了基于多示例学习的跟踪方法。考虑到局部稀疏表示在描述目标特征上的优势以及多示例学习在分类中的良好表现，算法利用稀疏编码描述目标特征，并将其作为MIL分类器的训练数据。在粒子滤波框架下，首先利用不断更新的动态分类器得到初步跟踪目标，然后利用初始静态分类器定位当前帧的目标状态。
　　通过大量的实验测试，本文算法均表现出良好的鲁棒性和稳定性，验证了本文算法的有效性。