目标跟踪算法目前已经被广泛应用于医疗诊断、人机交互、智能监控系统等多个领域,是计算机视觉领域的研究热点之一。基于压缩感知理论的目标跟踪算法由于其跟踪速度快,跟踪精度较高的优点自提出起就受到国内外学者的广泛关注。但是压缩跟踪算法(CT、FCT)由于始终采用固定大小的跟踪框来跟踪目标,在目标尺度变化大的场景下容易产生跟踪漂移甚至丢失跟踪目标的现象,为了解决这一问题,本文提出了一种判断目标尺度大小的方法,进而提出了自适应目标尺度变化的改进压缩跟踪算法。同时,由于跟踪算法的初始目标位置通常都是手工选择的,实际应用中(例如智能视频监控系统)经常需要能够自动检测目标再进行目标跟踪,因此本文对检测算法也进行了研究,找到了一种比较适合应用于实际场景的目标检测算法。本文主要工作如下:(1)介绍了目标跟踪算法的研究背景及意义、国内外研究现状,对几种经典的目标跟踪算法的原理、优缺点进行了总结和归纳。介绍了几种经典的压缩跟踪算法,并分析了它们各自的优缺点。(2)针对压缩跟踪算法无法变尺度跟踪目标的缺陷,研究并提出了一个适应目标尺度变化的改进压缩跟踪算法。实验结果表明该算法可以实现自适应目标尺度跟踪的目的,平均跟踪成功率约高出快速压缩跟踪算法7.3个百分点。(3)为了更好的保证尺度估计的准确性,加入了反向尺度估计,提出了一个含反向尺度估计的压缩跟踪算法。实验结果表明该算法进一步提高了跟踪算法准确性和鲁棒性,具有较高的尺度自适应能力,能够较好的应对跟踪时可能出现的遮挡、形变、快速运动、背景混杂等干扰因素的影响。(4)在VS2012平台上编程实现了上述算法,并与若干跟踪算法进行了对比实验和分析,验证了本文算法的有效性。(5)由于现实场景中时常需要先检测到跟踪目标,再进行目标跟踪,因此研究并且实现了一种结合背景差分和三帧差分的目标检测算法,同时将该算法应用于实际场景的目标检测,并与背景差分、三帧差分的实验结果进行对比。实验结果表明该算法具有更好的环境适应能力,能较好的应对现实场景中存在的抖动现象,并且检测得到的运动目标区域更加完整。