视觉跟踪和行为识别是计算机视觉领域的研究热点,已被广泛应用于智能监控、人机交互、娱乐行业、运动分析等领域,成为当前非常活跃的研究方向,吸引了越来越多的科研人员开展广泛而深入的研究。由于视觉跟踪和行为识别问题本身的复杂性,以及场景的复杂多变性,实现稳健的视觉跟踪和行为识别仍然是挑战性的课题。本文在分析视觉跟踪和行为识别方法现状的基础上,运用粒子滤波、稀疏表示、图理论、增量学习等多种方法,就视觉跟踪和行为识别方法进行了深入的研究。本文的主要工作如下：1、在单目静态环境下,目标之间的动态遮挡通常会引起目标跟踪和计数错误。为了提高动态遮挡条件下视频监控系统跟踪和计数的准确性,提出一种两步高斯混合模型的目标检测跟踪与计数方法。首先,提出两步高斯混合模型检测方法,通过这种方法检测目标区域。然后,针对动态遮挡条件下的错误计数问题,提出分析目标合并和分离状态的解决方法。最后,提出一个改进的跟踪器,完成目标跟踪和计数。实验结果表明该方法和传统的方法相比在跟踪与计数方面性能更好。2、提出一种基于分块稀疏表示的增量学习视觉跟踪方法。首先,针对传统PCA方法利用图像全局特征,跟踪效果不理想的问题,提出利用分块PCA的加权稀疏表示模型表示目标外观,有效提取目标的局部信息特征,来提高跟踪的效果。然后,针对跟踪场景中光照、目标外观和姿势的不断变化以及遮挡存在等情况,提出利用分块的权值检测目标遮挡和更新观测模型的增量学习算法。最后,针对l1跟踪的计算复杂、速度慢的问题,提出使用l2正则化最小二乘方法求解稀疏表示模型中的编码系数。为了评价提出的跟踪算法,在六段测试视频中,与三种当前流行的算法进行了比较,定性和定量分析的结果显示所提出跟踪算法要优于这三种主流的跟踪算法。能够较好的克服姿态、光照、杂波、遮挡等对目标表观变化的影响,具有良好的鲁棒性。3、针对复杂背景下目标部分遮挡时的稳定跟踪问题,提出一种基于图模型的粒子滤波跟踪方法。该方法将图模型应用于粒子滤波之中。首先,融合颜色和边缘特征建立目标的观测模型,构建粒子滤波框架。然后,选取目标特征区域,将一个目标分成几个部分,每一部分作为图的一个顶点,建立图模型。最后,将图模型应用于粒子滤波,完成目标跟踪。实验结果表明,当目标被部分遮挡时,该方法能够估计出遮挡部分的状态,实现稳定的跟踪目标。4、为了可靠地跟踪目标,提出一种基于粒子滤波与均值迁移的多特征融合目标跟踪算法。算法将均值迁移算法应用到粒子滤波方法中,较好地克服了粒子滤波中的粒子退化问题。另外,对于粒子滤波中的观测模型的建立,采用颜色特征和SIFT特征融合的方法建立观测模型,它较好的克服光照改变、尺度缩放、颜色区域相近等问题。实验结果表明,该方法跟踪效果上明显好于传统的粒子滤波算法和均值迁移这两种方法。5、为了解决传统的稀疏表示中相似的特征在编码后相似性容易缺失的问题,提出一种基于局部时空特征的局部约束群稀疏表示行为识别方法。首先提取局部时空特征,针对在时空域上人体行为特征具有局部相似性的特性,构建局部约束的群稀疏编码模型,并进行字典构造和群稀疏编码求解。然后,以局部约束群稀疏表示模型作为分类器实现行为识别。最后,通过两个行为识别数据库对所给方法进行验证,结果表明该方法能够获得很好的识别效果。