目标跟踪作为计算机科学中的一个重要研究方向,在军事和国防领域受到越来越多的重视,现代化战争中,如何对飞机目标进行准确跟踪和精确打击,成为克敌制胜的关键。由于重采样过程中,粒子多样性的退化,传统的粒子滤波目标跟踪算法在应对目标姿态剧烈变化和突然消失等情况时效果有限,如何在减少计算量的同时保持粒子多样性就显得非常重要。在移动背景下,本文提出了一种多层粒子滤波目标跟踪算法,将粒子划分主粒子和从粒子,通过从粒子对主粒子进行优化,改善了粒子的多样性;提出一种多模态粒子滤波多目标跟踪算法,由于目标数目的增加会带来计算量的指数上升,通过融入Mean Shift算法来大幅减少计算量。本文分别通过对提出的算法进行实验验证,证明了算法的可行性。本文主要包括以下工作内容:本文将传统粒子滤波作为出发点,理论分析并通过编程实现了传统粒子滤波目标跟踪算法,根据结果发现重采样过程中粒子丧失了多样性。尝试通过增加粒子个数的方法来改善粒子的多样性,根据实验数据的对比,发现仅仅增加粒子个数会带来计算量的指数上升,并且带来的改善效果十分有限。提出一种多层粒子滤波目标跟踪算法,将采样粒子划分为主粒子和从粒子,从粒子用于保存主粒子的状态并对主粒子进行优化。在重采样的过程中,只有对主粒子进行更新而从粒子保持不变,最后,用主粒子来估计目标的状态。这种改进在一定程度上保证了粒子的多样性,在应对目标发生形态变化和暂时性的消失的问题有很好的效果。实验结果表明本文提出的算法优于基本的粒子滤波算法。提出了一种将Mean Shift融入粒子滤波的多模态粒子滤波多目标跟踪算法,并提出了多目标联合模型的建立方法与算法的详细过程,并根据此方法对单目标、多目标、静态背景、动态背景等多种状态进行了实验,实验结果表明本文提出的多模态粒子滤波多目标跟踪算法能够很好地的目标进行跟踪,在目标发生急速变换、出现部分遮挡情况下都有着不错的效果。