目标跟踪作为计算机视觉领域的研究热点与难点已在智能人机交互、视觉导航、智能视频监控等领域得到了广泛的应用。但是,研制出一种在各种复杂场景下均能够实现稳定、快速、高精度跟踪的目标跟踪算法仍然是一项极具挑战性的课题。近年来,压缩跟踪算法因其良好的跟踪性能成为了研究热点。为了提高复杂场景下压缩跟踪算法的跟踪性能,对其进行了研究,主要成果如下:为了提高压缩跟踪算法在光照变化、遮挡场景下的跟踪稳定性和准确性,提出一种结合特征在线选择与协方差矩阵的压缩跟踪算法。首先,在特征提取阶段引入基于Hellinger距离的特征在线选择方法,在特征池中动态选择那些置信水平较高的特征用于构建朴素贝叶斯分类器。然后,在压缩跟踪的框架下融合协方差矩阵以增强算法对目标的表达能力,把Haar-like特征和协方差矩阵相结合构建目标模型,取最大响应值所对应的候选样本作为跟踪结果。最后,优化分类器参数的更新方式,根据目标模板与跟踪结果的相似度来自适应地更新分类器参数。针对压缩跟踪算法无法适应目标尺度的变化以及没有考虑样本权重的问题,提出一种基于粒子滤波与样本加权的压缩跟踪算法。首先,对原始压缩跟踪算法中的压缩特征进行改进,提取归一化矩形特征用于构建目标表观模型。然后,引入样本加权的思想,根据正样本与目标之间距离的不同赋予正样本不同的权重,提高分类器的分类精度。最后,在粒子滤波的框架下融合尺度不变压缩特征进行动态状态估计,在粒子预测阶段利用一个二阶自回归模型对粒子状态进行估计与预测,借助观测模型对粒子状态进行更新,并且对粒子进行重采样以防止粒子退化。实验结果表明,相比于原始压缩跟踪算法,结合特征在线选择与协方差矩阵的压缩跟踪算法在光照变化和遮挡场景下具有更高的跟踪鲁棒性和准确性;基于粒子滤波与样本加权的压缩跟踪算法能够更好的跟踪目标尺度的变化,提高了的跟踪稳定性和准确性。