运动目标跟踪是直接影响智能机器人行为决策能力的关键性技术，近年来已经发展成为移动机器人相关技术领域的研究热点之一。现有运动目标的检测与跟踪算法仍无法有效解决复杂性环境对跟踪目标的影响，例如光照变化、目标遮挡以及快速运动等。本文从目标模型构建出发，在稀疏聚类结构框架下，提出一种改进的时空上下文目标跟踪方法。该方法首先联合聚类分割与稀疏表示建立目标的外观模型，并利用外观模型的置信权值增强目标上下文区域的作用，进一步引入置信峰值尖锐度(PSR)改进时空上下文模型更新机制，最终借助贝叶斯跟踪框架，完成目标位置概率估计。算法在公开的视频数据库上有着良好的实时性与鲁棒性，同时基于自主设计的图形化控制界面，在搭载Kinect传感器的先锋Ⅲ机器人平台上设计实机实验，验证了算法的可行性。主要工作包括:　　(1)基于聚类分割与稀疏表达的目标联合外观模型　　针对原始上下文算法中缺少目标外观模型，导致算法在复杂背景下的鲁棒性较低的问题，提出了基于聚类分割与稀疏表示的目标联合外观模型构建方法。首先利用改进简单线性迭代聚类(SLIC)算法建立判别型目标外观模型，提取目标区域中的图像块特征;然后利用先验知识对场景信息进行标注，确定目标图像块的初始属性标签。进一步利用稀疏表示建立生成型目标外观模型，优化初始属性标签，确定目标区域的优先级权重。最终利用聚类分块的置信权值改进原始空间上下文模型，增强目标重要区域的判别权重。　　(2)基于多特征聚类图像块的时空上下文算法模型　　针对原始时空上下文跟踪算法仅利用目标及其邻域像素的单一的底层灰度统计特征，造成复杂背景下跟踪效果较差，算法鲁棒性不足的问题。对跟踪目标进行聚类分块的多特征表述，形成了更加全面的目标特征提取模型，有效提高了整体算法模型的鲁棒性，同时在图像块级别进行上下文模型的计算，大大提升了算法的实时性。　　(3)基于置信峰值尖锐度改进的时空模型更新机制　　针对原始时空上下文模型采用固定学习率的模型更新方式，会导致更新失败的问题。引入置信峰值尖锐度值改进时空模型更新策略，对不同遮挡情形采取不同的更新机制，当目标存在遮挡时，此时PSR较小，时空模型选择以一个较小的更新率来进行模型更新;当目标完全被遮挡时，则不更新时空上下文模型。通过这种方式来避免因为遮挡导致的模型更新错误，使得算法能更好的应对目标遮挡情况。　　最后将本文所提方法在视频测试集和移动机器人上进行实验。实验结果表明，基于稀疏聚类结构下改进的上下文算法与原算法相比具有更好的鲁棒性与准确性，该方法在目标运动突变及外观改变时具有较强的鲁棒性和准确性，并满足系统的实时性要求。