目标跟踪是计算机视觉领域的一个重要的研究方向,它在智能视频监控、智能交通、人机交互、军事等领域有着重要的应用价值,所以目标跟踪一直备受国内外学者重视以及深入的研究,有着十分重要的研究价值。然而,由于目标跟踪场景的不确定性,常常发生各种变化(光照、遮挡、外观等),给目标跟踪带来了困难。如何设计一种稳定性强、实时性好的跟踪算法一直是目标跟踪的研究的热点和难点。　　基于稀疏表示的运动目标跟踪(L1 tracker)通过设计琐碎模板和利用稀疏表示技术的优点,一定程度上能较好的应对光照和部分遮挡的影响,但是该算法复杂度高,实时性比较差,且在目标发生较大姿态变化以及严重遮挡时,跟踪效果不尽人意。本文分析了基于稀疏表示的目标跟踪的优缺点,吸取了它稀疏表示的思想,提出了一种鲁棒性更强、实时性更好的跟踪算法即基于压缩感知的目标跟踪。　　首先,采用一种简单可靠的运动模型,即候选目标的采样只在前帧跟踪结果中心位置附近进行等概率采样,既保证了跟踪的精度,又提高了跟踪的速度。　　其次,图像的特征设计合理的情况下,往往比图像本身更具有代表性,本文利用了压缩感知中测量矩阵所具有的压缩特性,采用了一种非常稀疏测量矩阵的方法,快速提取图像的haar类特征,大大提高了特征提取的速度,并且保证了所提取的特征保留原始图像的绝大部分信息。　　再次,目标与背景是息息相关的,背景有助于我们更好的对目标进行跟踪,本文通过设计背景模板的方法,将背景信息加入到跟踪上来,提高了跟踪的稳定性;并且设计了一种基于稀疏表示的观测似然模型,该模型设计合理,观测能力强,能更好的选择出所跟踪的目标。　　然后,稀疏系数中不为零的系数是成块出现的,本文根据了这种稀疏系数的结构特点,采用重构精度更好,重构速度更快的重构算法:块稀疏正交匹配追踪算法(BOMP)。　　最后,在具有不同挑战的视频序列与比较流行的跟踪算法,从跟踪精度和跟踪速度两个方面对比,验证本文的算法的可行性。