目标跟踪在视频监控、智能交通、机器人视觉导航及人机交互等多个领域都有着广泛的应用，已成为计算机视觉研究中的热点课题。跟踪算法是整个目标跟踪系统的关键，影响跟踪效果的准确性、实时性以及鲁棒性。近年来发展起来的粒子滤波是一种通过使用非参数化的蒙特卡罗方法来实现递推贝叶斯估计的滤波方法。由于其在解决非线性非高斯系统的状态滤波问题上具有独特优势，因此粒子滤波在目标跟踪领域得到了广泛的应用。 　　为了提高粒子滤波算法的准确性，进而为科学研究和工程应用提供理论和算法支持，针对由于粒子退化和贫化而导致的滤波精度降低问题，本文提出了改进的粒子滤波算法。将智能优化思想引入到粒子滤波中，提升样本集中每个粒子的作用效果。并将改进后的算法应用到目标跟踪中。本文的主要研究成果如下： 　　第一、针对粒子滤波算法中由于粒子退化和贫化而导致的滤波精度降低问题，提出了一种基于人工鱼群优化的扩展卡尔曼粒子滤波算法。首先利用人工鱼群算法对采样过程进行优化，使得粒子不断地朝高似然域移动来寻找最优位置，从而改善样本分布，加速样本集的收敛，缓解了退化现象；然后对重采样过程进行优化，以提升样本的多样性，从而克服了粒子样本贫化问题。仿真实验表明，改进后算法提高了对系统状态的预估精度，更适合在对精度要求高的系统中进行滤波计算。 　　第二、本文研究了粒子滤波算法在视频目标跟踪领域的应用。采用颜色特征描述运动目标，结合目标的运动特性进行建模，将本文提出的算法应用于目标跟踪中。由于改进后算法可以改善样本分布，增加目标状态的多样性，从而在目标的运动状态发生变化的情况下，也可以保持很好的跟踪效果。实验结果证明改进后算法提高了跟踪的准确性，尤其是当目标被遮挡时跟踪效果良好。