作为计算机视觉领域的关键技术之一,目标跟踪在人工智能、虚拟现实、视频监控、交通检测、军事和医学等领域都发挥着极其重要的作用。但与此同时,视觉目标跟踪仍面临诸多问题需要解决,在实际应用中目标经常受到多种外界因素的干扰,如目标的尺度变化、形状变化、旋转、部分或全部遮挡与快速移动等挑战。针对上述的问题,本文以粒子滤波器框架为核心,结合稀疏表示、相关滤波器等理论,来提高跟踪算法的精确度与鲁棒性。本文的主要研究内容如下:(1)研究了一种基于自适应特征的粒子滤波目标跟踪算法。首先,将所有的粒子分成两部分并分开投放,第一次投放的粒子数量较多以保证粒子能尽可能地覆盖目标,接着在与模板相似度最高的粒子的位置投放第二部分粒子,以提高跟踪算法的精确度。其次,为了获得更加稀疏的解,提出了一种L_p跟踪器的最小化模型。最后,提出了一种自适应多特征融合策略来应对复杂场景。该算法能够很好地解决目标快速运动、光照变化与遮挡等问题。(2)研究了一种融合相关滤波器的粒子滤波目标跟踪算法。首先,针对粒子滤波器与相关滤波器分别设置不同的搜索区域,以解决目标快速移动的问题,并通过减少粒子的数量以提高跟踪效率。其次,结合L_p范数与低秩的性质,提出了一种新的跟踪器最小化模型,以提高算法的精确度和鲁棒性。最后,提出一种新的模型更新策略以解决部分遮挡的问题。该算法能较好的解决目标快速移动、遮挡。(3)研究了基于可靠局部目标的粒子滤波目标跟踪算法。首先,为了充分利用目标分块的优点,提出了一种人工分块与随机分块相结合的目标分块方法,同时提出了一种新的目标位置估计策略。其次,考虑到局部目标与整体目标具有相同的运动规律,利用粒子的运动轨迹来挖掘粒子间的关系,提出了两种新的粒子重采样规则来删除不符合运动规律的粒子,从而提高跟踪的鲁棒性。最后,根据可靠粒子间的距离变化来估计目标的尺度,从而提出了一种自适应尺度估计的方法。本文以粒子滤波为框架通过挖掘粒子间的关系、结合相关滤波、融合多种特征等方面,提高了跟踪的准确性和对目标快速运动、形变、光照变化与遮挡的鲁棒性。