传统的稀疏表示跟踪算法直接利用较为简单的灰度特征进行稀疏表示系数计算，易受遮挡、形变等影响。为此，提出一种局部自适应加权算法来增加受遮挡、形变等影响的候选目标与未受遮挡、形变等影响的候选目标之间的区分度。另外，一般稀疏表示算法利用数量较少的目标模板构建过完备字典。无法获得较好的稀疏系数。提出逆稀疏表示算法，利用包含丰富目标特征和背景特征的候选目标构建过完备字典来重构目标模板，相同维度的目标模板条件下可以获得更好的稀疏系数。实验表明，该算法在目标背景差异小或严重遮挡、形变情况下，都能够较好的跟踪目标。

嫦娥工程二期要求嫦娥3号的安全降落是最为关键的任务.因此，提出了一种基于压缩感知的超分辨率图像重建方法，根据经过模糊处理并加入噪声的低分辨率图像，重建原始的高分辨率图像，实现了月球探测器着陆图像的超分辨率重建.算法采用局部Sparse-Land模型，从美国阿波罗计划获取的月球影像、嫦娥1、2号卫星影像和嫦娥工程二期试验中获取的月球探测器图像中提取了大量训练图块，采用K-SVD算法完成了高、低分辨率过完备字典Al和Ah的学习，通过求解优化问题，获得待处理低分辨率图块的稀疏表示，并将表示系数用于Ah，以生成对应的高分辨率图块.最后，运用最小二乘算法，得到满足重构约束的高分辨率图像.实验验证了算法的有效性，表明其在视觉效果及PSNR和RMSE指标上均优于插值方法和Yang的方法.

在基于稀疏表示的超分辨率重建过程中，当对图像进行稀疏编码时由于其分解残差并不是简单的符合高斯分布或拉普拉斯分布，针对这一问题提出混合高斯稀疏编码模型。模型基于最大似然估计准则，首先定义目标函数为加权 l2范数逼近问题，根据分解残差定义其权值，采用迭代重加权稀疏编码算法进行求解。然后基于此模型建立超分辨率重建模型和算法，利用此方法学习训练出同构的高 /低分辨率过完备字典并求得图像的稀疏表示，最后对重建过程进行改进以提高算法对噪声的鲁棒性。实验结果验证了本文方法的有效性。

嫦娥探月工程二期嫦娥 3号的着陆任务需要高分辨率影像数据的支持。因此，提出了一种基于压缩感知的超分辨率图像重建方法，实现了虹湾地区月球卫星影像的超分辨率重建。通过从美国阿波罗计划获取的月球影像、嫦娥 1、2号卫星影像和嫦娥工程二期试验中获取的图像中提取了大量训练图块，完成了高、低分辨率过完备字典对 Ah和 Al的联合训练，采用正则正交基追踪算法求解优化问题，获得关于低分辨率图块的稀疏表示，并将表示系数用于 Ah以生成对应的高分辨率图块，得到满足重构约束的高分辨率图像。实验验证了算法的有效性，表明其在视觉效果及 PSNR和 RMSE指标上均优于传统方法。