近年来,世界范围内的公众安全问题日益突出,自动视频监控在国防安全、航空航海、医疗卫生、敏感地点等军事和民用的各个领域得到了广泛研究和应用。视频目标跟踪是其中重要的研究方向之一,可以为目标分类、行为描述、视频理解提供重要线索,因此,该课题有重要学术意义和应用价值。但是,由于光照变化、目标姿态的非线性形变、复杂背景以及目标间的相互遮挡,使得复杂环境下多目标跟踪仍然面临着困难,设计好的多目标跟踪算法依然具有挑战。本文首先研究了目标检测的理论和经典的目标检测算法,分别用LOTS和HOG检测算法对多目标图像进行检测,分析检测结果。然后研究了基于数据驱动的概率假设密度粒子滤波算法,并分别将LOTS和HOG检测的检测结果用于粒子滤波对视频中多运动人体目标进行跟踪,并对跟踪结果进行分析。实验发现该跟踪算法过分依赖于检测结果,目标漏检和误检都会对跟踪造成很大影响。本文提出了一种基于HOG检测概率假设密度粒子滤波跟踪的改进方法,该方法引入HOG检测的中间信息,同时采用在线训练的KNN分类器与帧间差法相结合解决漏检和误检对跟踪造成的影响,用目标检测算法的结果来对粒子滤波的重要性函数进行更新,用跟踪结果对检测进行在线修正,并利用VIPER对其评估,实验结果显示,该方法能够跟踪更多的人体目标,具有更高的跟踪准确率,当目标之间发生遮挡,光照变化时也能够得到很好的跟踪结果。