目标跟踪技术一直以来都是计算机视觉领域里的研究热点和难点,其在智能视频监控、人机交互、视觉导航、交通监控等领域具有重大应用价值,近几十年来受到越来越多学者的广泛关注。虽然目前目标跟踪技术取得了一定的进展,但是光照变化、遮挡、背景杂乱以及目标自身形变等因素均会影响目标跟踪算法的性能,许多跟踪算法仍然难以取得理想的跟踪效果。因此设计一个有效的目标跟踪算法仍然具有十分重要的理论意义和现实意义。本文的主要研究工作如下：首先,调研了目标跟踪算法的研究方法及现状,详细介绍了目标跟踪算法相关的理论知识,由于本文算法结合了粒子滤波框架,故对粒子滤波目标跟踪算法也做了详细介绍。其次,研究了基于检测的跟踪方法并取得了一定成果,该方法利用判别式表观模型训练以及在线更新分类器,利用滑动窗技术检测出被分类的样本,拥有最大分类器响应的样本位置当选为目标新的位置。最近提出的压缩跟踪算法是基于检测的跟踪算法,该算法利用一个非常稀疏的测量矩阵,符合压缩感知理论等距约束性原理,完成从图像特征空间向低维压缩子空间的有效映射。跟踪问题看成一个二分类问题,利用同一个稀疏测量矩阵压缩正负样本,通过在线学习得到的朴素贝叶斯分类器判别,完成对目标的跟踪。最后,针对压缩跟踪算法采用固定的窗宽提取样本,当目标发生尺度变化时,跟踪算法会产生漂移,提出一种尺度自适应的压缩跟踪算法。将基于随机映射的表观模型与粒子滤波算法相结合,利用尺度不变归一化的矩形特征来刻画不同尺度的目标,适用于尺度不变或者变化的目标。通过白适应的改变随机映射矩阵来获得特定尺度粒子的特征,该矩阵通过粒子当前尺度以及初始随机矩阵来更新。利用一个2阶的状态转换模型来预测每个粒子的当前位置和尺度大小,根据得到的位置及尺度大小对候选样本进行采样,利用基于朴素贝叶斯分类器响应的观测模型来获取粒子权重,从而对粒子进行重采样,有利于保持重要样本,防止粒子退化现象。实验结果表明,提出的算法有效的保持了原始压缩跟踪算法的实时性,而且提高了变尺度目标的跟踪能力。