近年来,随着计算机视觉与人工智能技术的快速发展,目标跟踪的研究取得了突飞猛进的进步。目前,目标跟踪已广泛应用于人机交互、智能交通、安防监控、导航监测等领域,具有广阔的市场前景和重要的应用价值,并引起了工业界和学术界的极大重视。为了提高目标跟踪的性能,研究者们通过挖掘与改进机器学习方法以求目标跟踪的性能达到实时性、鲁棒性与准确性。然而,尽管目标跟踪的性能得到了极大的提高,仍有很多实际的问题亟待解决,如遮挡、光照变化、姿态变化、旋转、尺度变化对于目标跟踪性能的影响。在目标跟踪的诸多研究因素中,最关键是要找到一个可靠、高效的外观表示方法来描述目标。本文着重研究目标的外观表示以及与之相关的性能问题,提出了基于变换域的实时压缩跟踪算法,主要包含两个工作:第一个工作针对目标跟踪中某些复杂的场景,如遮挡,光照变化,姿态变化等,提出了融合傅里叶变换和模板匹配的跟踪方法。该跟踪器采用一种自适应调节历史信息与当前信息的模板更新策略,使得模板同时保留历史信息和当前信息。该算法还通过傅里叶变换将密度均匀的空间域变换到稀疏的频率域,从而大大地压缩了原有图像的信息量,降低了计算复杂度的同时保留了良好的跟踪性能。在工作一的基础上,为了解决傅里叶变换缺乏方向和尺度分析能力的问题,本文又提出了基于非下采样contourlet变换域的多尺度多方向跟踪方法。该算法提取了原始图像的多尺度多方向信息并采用了压缩感知方法进行特征降维,最终使用adaboost分类算法构建了一个高鲁棒性的分类器来实现目标跟踪。为了检验方法的有效性,本文在两个经典的目标跟踪视频数据集上进行了实验比较与分析。实验显示,基于傅里叶变换的压缩跟踪方法处理目标跟踪问题达到了实时性的要求,且对于光照改变、遮挡、快速移动等问题追踪效果非常好,但对于旋转、尺度变化场景的跟踪效果就不佳。而非下采样contourlet变换的跟踪算法成功地缓减了目标旋转和尺度变化对于跟踪性能的影响,相比较于其它前沿方法,该方法性能得到了大幅的提高。