本文以快速运动平台的视觉目标导引问题为应用背景,研究了视觉目标跟踪问题,以压缩感知理论为图像特征降维的理论基础,设计了一种新的测量矩阵构造方法,提出了一种新的尺度自适应实时压缩跟踪算法。本文首先对传统的基于压缩感知理论的目标跟踪方法(称为压缩跟踪)进行了理论分析与实验验证,分析了传统压缩跟踪方法中所使用的测量矩阵构造方法的不足,提出了新的压缩测量矩阵构造方法,用于对图像进行特征降维。压缩跟踪中首要的也是最重要的问题就是选取一种合适的测量矩阵。论文首先对传统测量矩阵构造方法进行了总结,并针对目前最新的分块测量矩阵进行分析讨论,理论推导并实验验证了该种测量矩阵存在着测量矩阵中的各元素取值的概率分布函数并不是同分布的问题,相当于人为地减少了图像左上部分的信息的影响作用,而增加了图像右下方信息影响作用。针对该问题,本文提出了循环分块测量矩阵生成算法,并分析了循环分块测量矩阵中卷积核内矩形块数量的取值问题,并给出了常用取值范围。然后分析讨论了循环分块测量矩阵在满足RIP条件上存在的问题,即为了降低算法计算量而对测量矩阵进行的分块的做法,会导致其满足RIP条件的概率降低。实验表明,循环分块测量矩阵能够解决随机测量矩阵内元素概率分布函数不同分布的问题,对目标跟踪具有更好的鲁棒性。本文然后开展了压缩跟踪窗口尺度自适应性的相关研究,设计了尺度自适应窗口模型,并利用粒子滤波算法,实现了窗口的尺度自适应搜索算法。运动平台由远及近地接近目标的过程中,目标在图像中的尺度变化十分明显。如何使算法对目标的尺度变化具有自适应性,一直是视觉跟踪问题的难点。针对传统的压缩跟踪算法的目标跟踪窗口不具有尺度自适应性的缺陷,本文在压缩跟踪算法基础上研究了窗口尺度自适应问题,并建立了尺度自适应窗口模型。利用粒子滤波算法,实现了窗口的尺度自适应搜索,具有良好的实时性和鲁棒性。同时,针对快速运动平台的机动特性,对目标在摄像头视野内的丢失情况进行了讨论,如目标被大部分遮挡和目标离开摄像头视野等情况,着重分析了目标丢失对窗口参数和目标特征描述的影响,并在算法中进行了特殊处理,提高了算法鲁棒性。通过实验分析得出,本文算法能够对目标的尺度变化具有较好的自适应性,并且对目标的丢失具有很强的鲁棒性,同时具有良好的实时性。