随着社会的信息化水平日益提高,传统产业开始利用信息技术来提高生产效率、减少人力消耗,而计算机视觉技术已经越来越多的被应用于民用领域和军事领域,生物特征识别、智能监控、无人驾驶、智能武器等新兴的概念开始不断升温。其中,视频目标跟踪技术是计算机视觉领域中的一个经典研究课题,但是由于实际场景中往往存在光照变化、运动状态突变、目标遮挡、相似物体干扰等复杂情况,当前已有的目标跟踪技术仍难以满足实际应用的需求。目标跟踪问题可以看作是由感兴趣目标先前得知的位置来预测其在后续视频序列中的空间位置,这是一个根据先验条件来对当前状态进行估计、验证的过程,因此可以利用贝叶斯状态估计的思想来对问题进行求解。本文正是对于其中最为经典的粒子滤波算法进行研究,探讨了视频目标跟踪中的一些关键性问题,主要的创新工作与研究成果包括以下几方面:1.针对传统粒子滤波目标跟踪方法中粒子的多样性不足以及易受场景干扰的问题,提出一种改进的免疫粒子滤波目标跟踪方法,该方法基于人工免疫算法的思想,根据目标跟踪中的关键性问题加入了抗体记忆库、粒子集可信度判定等过程,以提高算法在较复杂场景中的鲁棒性。2.建立合理的目标模型是粒子集更新结果趋向于目标状态真实值的重要前提,本文针对传统算法中的单一目标模型适应性较差的问题,提出了加入自适应学习机制的外观模型与运动模型,同时利用了特征分片、背景权重等思想,并且给出了相应的似然性计算方法。3.针对单目标粒子滤波跟踪方法直接应用到多目标跟踪问题时易出现的问题,提出了一个快速的交互目标判定与匹配算法,该方法适用于粒子滤波框架下的跟踪方法,可以在一定程度上提高多目标跟踪的准确性。本文尝试通过对传统的粒子滤波目标跟踪算法进行改进,使其在较为复杂的实际场景中提高性能。分别在Visual Tracker Benchmark测试库、PETS 2009Benchmark Data测试库以及车载相机拍摄的动态场景中选择了多段典型的视频进行算法的对比实验与分析,通过L1-偏差、目标区域覆盖比、多目标跟踪精确度、算法运行速度等统计指标验证了所提算法较传统方面具有明显的提高,在实际场景中达到了较好的适应性、鲁棒性和实时性。