随着信息技术的飞速发展和应用需求的不断增长，视觉跟踪技术逐渐成为多媒体视觉领域的重要研究内容。然而由于外在环境的未知性、目标运动的多样性和视觉特征的时效性，在复杂的场景下建立高精度高鲁棒的跟踪系统逐步成为视觉跟踪技术的研究重点和难点，主要包括对视频图像序列中原始图像数据的有效压缩、运动目标的准确识别和感兴趣区域的稳定跟踪等。　　本文首先研究了小波变换和图像编码相关理论，并针对嵌入式零树小波编码过程中存在的重复扫描和比特流冗余等缺点，提出一种改进的压缩算法。该算法通过图像预处理、引入动态阈值和增加标识类型等措施提高图像压缩性能，节省表示图像的数据量和存储空间，满足对实时信息获取的应用需求。　　然后对常用的目标检测算法进行分析论述，并考虑到传统背景减法对于信号采样率的硬性要求，进而在研究压缩传感对稀疏空间信号重构功能的基础上，提出一种自适应背景更新的基于压缩传感域的背景差分方法。改进的算法将对运动目标的检测提取转化为对信号的重构，降低了采样和计算的负担，而自适应的背景更新对于各种外部环境的变化具有更强烈的适应性和经济性，增强了目标检测算法的鲁棒性。　　最后深入研究了贝叶斯估计原理和用于非线性非高斯空间模型的粒子滤波算法相关理论系统，同时介绍了通过状态向量划分而分别采取不同采样策略的三种粒子滤波算法。针对基于粒子滤波的视觉跟踪基本理论框架中存在的粒子退化、遮挡干扰和稀疏信号未充分利用等缺点，提出一种融合压缩传感理论和动态权值选择的峰值跟踪粒子滤波算法，并在跟踪过程中对遮挡程度进行分区遮挡判断以对算法加以修正，从而有效地改善了退化问题，跟踪效果更加明显。