近年来,GPU及并行计算的发展使得计算机处理数字图像的能力大大提升,计算机视觉已从研究领域逐渐转向应用技术发展。视频目标跟踪是计算机视觉领域的重要研究方向,在国防和民用方面发挥着重要作用,实现复杂场景下的鲁棒跟踪在目标跟踪领域是一项函待解决的问题。本文主要研究基于压缩感知和矩阵低秩稀疏分解的目标跟踪算法。压缩感知是图像处理领域的研究热点,用于对大规模数据进行分析与处理。压缩感知跟踪器提取图像的压缩域特征,采用分类器对特征分类确定最佳目标估计。该方法对特征质量要求高,对于缺乏判别力的特征难以分出前景。同一目标在不同时刻具备相似性,这种相似性代表图像中的低秩部分,矩阵低秩稀疏分解就是研究如何恢复矩阵的低秩性。矩阵低秩稀疏分解跟踪器将目标跟踪看作寻找与目标模板最相似区域问题,该方法较压缩感知跟踪器对特征质量的要求低,但实时性较差。本文基于上述两种跟踪器的优缺点,将压缩感知和矩阵低秩稀疏分解结合完成单目标跟踪任务。本文将压缩感知跟踪器中的分类器替换为矩阵低秩稀疏分解,利用非精确增广拉格朗日乘子法分解目标外观模型,一定程度上减弱了跟踪器对特征质量的要求;利用压缩感知对特征有效降维,降低了矩阵低秩稀疏分解的计算量;针对目标部分遮挡、快速运动及光照变化等问题,提出了一种字典更新方法,一定程度上克服了上述问题对跟踪鲁棒性带来的影响。在此基础上,对本文算法进行改进,引入向量相似度判别、轨迹修正以及一种新的观测矩阵构建方法,提高了算法的实时性和鲁棒性。通过与几种流行的目标跟踪算法进行对比,验证了本文算法在目标发生部分遮挡、快速运动及光照变化等问题时,能够实现目标的鲁棒跟踪。