视觉跟踪是计算机视觉领域的最重要分支之一，被广泛地应用于军事、民用领域，是当今研究的一个热点。跟踪问题在根本上是滤波和预测问题。本文从基本的粒子滤波算法框架出发，对算法进行了深入的学习和研究，结合跟踪实际问题，对其进行了局部优化和改进。首先介绍了粒子滤波的原理、特性以及在视觉跟踪中的应用；其次，对另一种跟踪算法——均值漂移，进行了简单的介绍，该算法经典的寻优特性将被应用在粒子框架中；接下来，对目标特征——颜色特征和空间特征进行研究，主要介绍两者的提取和匹配，以及在跟踪问题中的应用；针对整体遮挡和快速机动目标，提出了一种新的搜索策略；最后，结合算法优化、目标特征、搜索策略以及跟踪框架，得到最终的跟踪算法，最后，通过仿真实验对改进算法进行分析和验证。下面详细介绍本文具体的研究内容和成果。针对粒子滤波算法计算量大和粒子退化问题，提出将Mean-Shift算法植入到观测后，对粒子进行位置及其权值的自适应范围的聚类，提高粒子描述目标的质量，避免传统粒子滤波聚类的权值信息的丢失，改善粒子分布情况，以此作为减少粒子数目和规范重采样范围的前提；以粒子距目标估计中心距离为直径的圆形区域作为收敛区域，提高了粒子质量，优化了粒子集合。研究了基于空间特征的目标跟踪的实现和应用。进行了简单场景下RGB颜色空间的粒子滤波算法的跟踪，针对空间直方图计算量大的问题，提出了一种直方图简化算法，即只对候选模板和目标模板同时非零的对应区间进行计算，通过实验分析对比算法的有效性。针对严重遮挡和快速机动小目标的跟踪问题，本文提出了一种搜索策略，当遮挡和目标丢失情况发生时，启用该策略，当目标被重新定位时再进入正常的算法循环，对粒子滤波算法估计出的近似最优结果进行Mean-Shift邻域极值搜索，提高定位精度，进而建立模型，通过巴氏系数来控制粒子数目；并用均值漂移算法的邻域搜索极值特性修正跟踪结果，用修正后的跟踪结果对比目标模板，以此时的巴氏系数作为调整粒子数和重采样范围的依据。至此，形成了一种自适应粒子数调节和重采样范围的粒子滤波算法。实验结果证明，本文算法成功的实现了多种环境下的跟踪，尤其对严重遮挡问题，有很好的鲁棒性，并对快速机动的小目标的跟踪具备较高的精度。