目标跟踪技术研究是计算机视觉领域的重要课题之一,是智能安防、人机交互、智能交通等众多高级计算机视觉应用的基础。压缩感知技术作为一种高效的信号采样方式,解决了很多由于信号维度过高造成的计算麻烦,显著减少了信号处理时间和计算成本。快速压缩跟踪算法成功地将压缩感知技术应用到对高维图像特征的压缩降维上,并且取得了良好的跟踪效果。该算法采用学习机制固定的朴素贝叶斯分类器对采样样本进行分类判断,不能很好的适应跟踪环境的变化对学习机制作出自适应调整。为此,本文学习压缩感知基础理论知识,了解常用跟踪方法,重点对快速压缩跟踪算法的框架和理论进行深入研究,在压缩感知理论应用于目标跟踪的基础上提出改进,主要研究工作如下:(1)为了使跟踪算法能够根据跟踪环境和运动状态的改变而自适应的调节分类器对于特征信息的学习,本文改进快速压缩跟踪算法的分类器更新学习机制,提出一种新的分类器参数自适应学习更新模型,使得分类器能够更有效地学习特征信息,提升了分类器的分类判断能力,另外,提出一种新的判断样本位置为目标位置的策略,减小了样本被分类器误判目标位置的可能性。(2)将时空上下文信息融入快速压缩跟踪算法中,通过在连续帧图像中计算预测目标位置与采样样本距离对采样样本进行样本加权,从而有效地帮助算法更好地区分目标与跟踪背景,提升算法在跟踪时的准确性。在视觉跟踪基准标准数据集上进行多组实验证明,本文算法对于快速压缩跟踪算法提出的改进提升了算法的跟踪鲁棒性。虽然在时间效率上有所下降,但依然满足实时跟踪的要求。