作为计算机视觉领域的一个基本研究问题,目标跟踪受到学术界以及工业界的大量关注,专家学者们提出了大量优秀的目标跟踪算法。但是由于实际跟踪场景的复杂性,目标跟踪仍然是一个极具挑战性的研究课题。本文研究了基于稀疏表示和核相关滤波器的目标跟踪算法,针对其在跟踪过程中的不足,对其改进并进行实验验证。本文主要创新点如下:(1)提出基于稀疏表示的自适应加权结构化目标跟踪算法。针对传统的稀疏表示跟踪算法对目标整体进行外观建模不利于遮挡情况下的跟踪问题,该算法采用结构化局部稀疏外观模型,并设计了局部块加权策略和块丢弃策略,可以很好地应对遮挡场景下的目标跟踪。此外,该算法采用自适应字典模板更新方法,根据重建误差判断是否需要更新模板集,及时适应目标的外观变化并防止模板集被错误模板污染。实验证明,在object tracking benchmark(OTB)测试数据集上,在处理目标遮挡等问题时,相比基本稀疏表示算法,该算法的跟踪性能有明显提升。(2)提出基于深度卷积特征的空间上下文核相关滤波尺度自适应目标跟踪算法。首先,针对核相关滤波器利用很少的背景信息训练滤波器的不足,提出在训练过程中加入空间上下文信息,增强滤波器的判别能力。第二,为精确估计跟踪目标的尺度变化,单独训练一个尺度滤波器。最后,传统核相关滤波算法使用表示能力弱的手工特征,提出的方法使用深度卷积特征,并结合深层与浅层的卷积特征的优点,精确估计目标位置。实验证明,在OTB测试数据集上,在处理各种复杂的跟踪场景时,相比核相关滤波器算法,该算法的跟踪性能有明显提升。(3)结合稀疏表示与核方法,设计了一种结构化局部稀疏目标跟踪算法。由于核相关滤波算法在训练阶段使用虚拟的循环样本训练滤波器,造成滤波器存在一定误差,在检测阶段,继续使用虚拟循环候选样本与滤波器检测目标,从而得到不精确的跟踪结果。本文将核相关滤波与稀疏表示相结合,在检测阶段,选择响应值较大的样本作为真实候选样本,计算其与滤波器的响应值,并使用结构化局部稀疏外观模型对其进行外观建模,计算观测似然值,并设计自适应权重对响应值和观测似然值进行加权求和,将求和结果最大的候选样本位置作为跟踪目标的位置,利用尺度滤波器估计目标尺度,得到最终的跟踪目标。此算法可以在一定程度上减少因使用循环样本而导致的错误。实验证明,在OTB测试数据集上,在处理各种复杂的跟踪场景时,与相关滤波算法以及深度学习跟踪算法相比,该算法均有不错的跟踪表现。