近年来,随着计算机技术的发展,计算机视觉也得到了长足的发展,基于视频的目标跟踪则是计算机视觉领域十分重要的一部分。它广泛应用于军事、安防、交通等众多领域。虽然过去的几十年中,研究人员做了大量的研究,对于简单场景的目标跟踪已经有了许多不错的成果,但是,在实际场景中,我们遇到了目标遮挡,目标本身的形变,目标的快速移动,复杂的背景等等诸多挑战,这些挑战都将导致我们的算法在跟踪目标的过程中会出现不稳定乃至错误。因此,设计出一种在实际场景中,面对各种各样的挑战,仍然能够稳定而高效的进行目标跟踪的算法依旧是一项很具有挑战的任务。针对以上问题,本文将分别对经典的判别分类器模型的跟踪算法以及基于生成模型跟踪算法进行改进,以及合理的融合。本文的算法在多个视频集中进行测试,其跟踪成功率准确率以及稳定性都有了较好的效果提升。具体的创新点和内容如下:1)在基于压缩感知的跟踪算法中,目标模型的更新采用的是固定学习率,这大大的局限了目标跟踪算法的稳定性,本文引入巴士系数分别对目标外观判别模型更新的学习率进行自适应。与此同时,在跟踪算法的在线跟踪过程中,当目标遭到严重遮挡或者姿态频繁改变时,我们应用Sigmiod函数来构建模型更新的控制机制,为判别模型的更新提供了更加可靠、灵活的更新依据。实验结果表明,该方法能较好的适应目标的自身变化,当目标出现遮挡时仍然能够有效的跟踪目标。2)针对L1最小化跟踪算法的跟踪准确率不高的问题,本文引入了更具表达能力的PHOG特征,它包含了图像的空间特性,这减少了目标表达的歧义性。同时,我们对目标进行分块稀疏表示,并以此来确定目标的遮挡程度,从而确定是否对目标模板进行更新。实验表明改进后的算法在目标跟踪的准确性以及跟踪的稳定性等方面都有提高。3)为了获取准确、高效、鲁棒的跟踪性能,本文基于判别分类器模型的跟踪算法,以及基于稀疏表达的生成模型的跟踪算法进行融合,并开创性的提出了嵌入融合的机制。嵌入融合的机制有效地集成了判别分类器算法简单高效,以及生成模型算法准确稳定的特性,实现了两种算法的优势互补。通过对改进的压缩感知跟踪算法以及该改进的稀疏表达跟踪算法相融合,形成了协同的目标跟踪算法。实验结果表明,本文的融合算法比已有的常规经典算法,具有更优的准确性,稳定性和跟踪效率。