目标跟踪是计算机视觉领域的一个非常重要的突破,也是许多研究学者现在的主要研究方向。目前,目标跟踪已经在智能监控、智能交通、人机交互、医学图像等方面得到广泛应用。目标跟踪问题可以被理解为在视频序列的每一帧图像中对某一目标的运动轨迹进行估计。然而,在现实场景下的目标跟踪中,目标可能会出现尺度变化、姿态变化、运动速度变化以及遮挡现象等,场景中也存在光照剧烈变化、复杂背景干扰等因素,这都会对目标的准确跟踪产生干扰,降低跟踪算法的性能。因此,设计一个好的跟踪算法,实现对目标的有效跟踪,仍然是一个极具有挑战性的难题。本文通过对视频目标跟踪的基础理论和关键技术的深入研究,以及对当前国内外杰出跟踪算法的分析,从视频跟踪问题的基本建模方式入手,结合当前深度学习理论,提出了基于深度学习约束的逆稀疏目标跟踪算法。本文的主要研究工作概括如下:首先,构建了一种卷积神经网络结构,通过离线预训练模型,用于候选样本的分类与目标局部特征的提取。其次,本文分析了基于判别式模型与生成式模型的优缺点,提出了一种联合模型的目标表观建模。判别式模型中利用迁移学习思想,通过在线微调分类卷积神经网络,实现对候选样本的分类评估。在生成式模型中,为了解决难以构建过完备字典的问题,引入了逆稀疏表示理论,并采用L2范式最小化求解逆稀疏系数,提高算法的精确度。最后,提出了基于深度学习约束的逆稀疏目标跟踪算法。在公共测试集平台OTB(Object Tracking Benchmark)上,分别与基于不同特征或者不同分类器或者不同稀疏约束的跟踪算法进行全面地对比分析。大量实验结果表明,本文算法在光照和尺度变化、部分遮挡、快速运动等复杂环境下,都可以很好地跟踪到目标,验证了本文算法的鲁棒性和稳定性。