近年来,目标追踪技术迅速发展,在各个领域已经得到了广泛应用。目标追踪技术本质上可以归为预测目标运动轨迹的技术,这种预测或者跟踪的精确性取决于跟踪算法本身。目前追踪算法主要分为两类,一种是在线学习方法,具体表现为生成方法和判别方法,另一种是基于稀疏表示的方法。在稀疏表示的框架下,本文提出了两种稀疏表示目标追踪算法,并且从实验效果来看,两种追踪算法都表现出了较好的鲁棒性和精确性。首先,本文在充分考虑高斯噪声和拉普拉斯噪声对追踪性能的影响后,提出了自适应同时稀疏表示目标追踪算法,该算法不仅充分考虑了噪声的影响,而且也提出了新的模板选择和更新机制,即在线增量学习与K-means相结合的模板更新方法。这种新的模板更新方法可以有效减弱跟踪漂移现象,而且模型中分别给出了模板更新方法,噪声分布情况以及两者结合分别对追踪结果的影响。实验结果表明本文提出的自适应同时稀疏目标追踪算法有更强的鲁棒性和精确性。其次,为了提高追踪系统的实时性,本文又提出了自适应pL稀疏表示目标追踪算法,该算法与前面提出的算法一样,也考虑了噪声分布的影响,并且模板更新也采用了在线增量学习与K-means相结合的模板更新方法,唯一不同的是,模型中认为粒子之间的影响是相互独立的,可以分别通过稀疏模型进行求解,模型中使用了LASSO求解算法,根据粒子滤波框架理论和最大后验概率求出最优追踪结果。数值试验结果表明该算法相对于目前存在的较好的追踪算法取得了更好的追踪效果,表现为精确性更高,实时性更好。最后,本文给出了论文的后期研究的方向和需要解决的有关问题,并且对下一步工作进行了展望。