针对目前图像去噪方法噪音抑制不彻底、容易模糊细节等问题，提出了一种利用核模糊C均值聚类和正则化的图像稀疏去噪方法.该方法首先将图像分成大小相同的若干块，并采用核模糊C均值聚类算法对相似的图像块进行聚类，从而保证同一类图像块共享相同的稀疏去噪模型；然后，选择由经典图像库中图像训练而得的全局字典作为初始字典，很好地适应图像的多种特征；接着，对于同一类图像块，通过施加1/2范数正则化约束，实现该类图像块在字典下的稀疏分解，确保分解系数更为稀疏；最后，通过改进的K-奇异值分解算法完成字典的更新，并选择与原稀疏模型差异最大的图像块来替换更新字典的冗余原子，从而有效地去除图像噪音.实验结果表明，与小波扩散去噪法、固定字典去噪法、最优方向去噪法、K-奇异值分解去噪法相比，该方法能更有效地去除图像噪音，保留图像细节，改善图像视觉效果.

针对经典稀疏分类目标跟踪算法在噪声，遮挡等恶劣环境下精度不高的问题，提出了一种新的目标跟踪算法。该算法在标准对冲框架下结合了核函数稀疏分类方法以及自适应字典更新方法，能够较好地适应类间相似度较高与目标外形变化较大等恶劣情况。核函数技巧能够增强分类器性能，但通用方法求解凸优化问题的效率较低，不能满足目标跟踪问题的实时性要求，故提出用核函数随机坐标下降(KRCD)算法来高效求解稀疏系数，并使用核函数稀疏分类方法(KRCD-SRC)来计算各个粒子的代价值。为了避免模板漂移问题，解释了目标字典和背景字典的在线更新方法。最后，结合标准对冲算法估算目标的状态信息。在使用50个粒子进行跟踪时，本文算法的处理帧率能够达到14 frame/s。相比其它几种经典目标跟踪算法，本文算法具有更好的精确性和鲁棒性。