当前在目标监控领域，在前端图像采集系统获得图像序列之后，如何利用连续的图像帧获取所监测区域中运动目标是一类重点问题。而在低信噪比的环境下检测并跟踪弱小的运动目标是一个尤其困难的问题。若监测设备无需人为参与就可以实时的甄别出当前监测区域中的弱小动目标就可以为其它系统或者机构提供及时的相关信息。　　本论文基于贝叶斯框架的理论，使用数学家们提出的随机集理论和概率假设密度滤波器实现上述目标。概率假设密度滤波器又简称为PHD滤波器，采用贝叶斯估计的思想对运动目标实施跟踪和运动预测，由于多个目标的似然函数的数学形式可能相当复杂，所以使用多目标后验概率密度函数的一阶矩对目标的运动状态进行近似的表示。为了在工程上可以实现如此复杂的滤波器，采用工程师们构造的粒子滤波方法实现滤波器，其中每个粒子都代表目标的一个可能的状态以及目标处于此状态上的可能性。在目标数目变化的情况下或者背景干扰较强的环境下，PHD滤波器的工作状态可能会不稳定，为了克服观测噪声带来的干扰，引入数学中平滑的概念改进了滤波器，以算法时间复杂度和计算量为代价提升了滤波器的工作性能，通过仿真实验发现平滑使得滤波器对目标数目的估计表现的更加稳定。　　为了在工程上实时的实现这样复杂的滤波器，本论文采用了多核架构的DSP。TI公司的TMS320C6678多核处理器拥有8个内核具有高达10GHz的处理能力，提供共享的存储空间，可以采用DMA的方式直接存取数据。本论文采用核间通信IPC的方式实现多核调度，利用多核DSP中的多核导航器作为硬件资源基础实现核间通信，将算法中计算量最大的粒子滤波的过程分解到8个核心处并行执行，其中主核还要担负起任务分配和运算结果合并的责任。根据对并行化实现粒子滤波过程的分析，建立了调度过程的数学模型，并将问题最终转化为两个最优化问题进行求解。通过实验对比单核和多核情景下的时间消耗，可以看到采用多核处理架构后实时性有显著的提高，在1024*768分辨率的情景下，对视频的处理速度也可达到15帧/秒。