视频目标跟踪是计算机视觉的一个核心问题，其在视频监控、人机交互、机器人视觉导航等领域有着广泛的应用。一个有实际用途的跟踪算法必须面对复杂背景、光照变化、相似物体干扰、目标遮挡等难题。为此，研究者们已经提出了很多跟踪算法，但设计一个鲁棒通用的跟踪算法仍然是一个富有挑战性的课题。为此，本文主要基于粒子滤波框架，对目标跟踪技术进行研究和改进。主要工作如下:1、详细介绍贝叶斯状态估计的基本理论，引出基于蒙特卡洛的粒子滤波算法。然后介绍序贯重要性采样和标准粒子滤波算法的一般流程。分析粒子滤波算法中的系统模型和观测模型。通过实验分析比较粒子滤波算法在目标跟踪中的优势。2、改进粒子滤波算法中的目标表示，论文采用基于核的颜色直方图来更好地利用目标的颜色特征。并结合基于核的梯度方向直方图表征目标。同时，论文采用一种新方法来自适应融合多特征，使得在不同场景下能够自适应地加权不同特征。在跟踪的过程中，需要对目标的模型进行更新，通过一个学习速率调节目标模板更新的快慢。如果发生目标遮挡，则应该停止模板的更新。3、针对目标变速，本文提出一种混合运动模型。这种方法能够跟踪到正常运动的目标，也能捕捉到变速的目标，计算简单快速。针对目标遮挡，采用一种遮挡因子对遮挡时刻和遮挡程度进行判断。如果是目标部分遮挡，采用子块表决的方式，利用未被遮挡的区域信息持续跟踪。如果是严重遮挡，则停止目标的更新，保留目标信息，依靠检测技术尝试重新找回。4、改进后的粒子滤波算法与视觉背景提取算法相结合，进行多目标跟踪。这种方法能够快速发现新目标和找回被完全遮挡的目标。依靠检测集和跟踪集，实现基于关联矩阵的一般推理，可以较好地实现目标关联，提高了多目标跟踪的准确性和鲁棒性。