目标跟踪已经成为计算机视觉领域的重要研究方向，并且融合了机器学习、机器视觉等技术知识。随着目标跟踪领域的研究，它被广泛应用于军事和民用领域，如卫星发射、导弹跟踪、小区监控、交通监控等。近些年，学者们提出很多跟踪算法用于目标跟踪，对非线性非高斯系统来说，粒子滤波算法表现优秀。粒子滤波算法由于适应非线性非高斯系统的特性，被广泛用于目标跟踪。但是在实际的跟踪过程中，由于光照变化、目标遮挡以及目标自身形变等因素的影响，基于单一特征的粒子滤波跟踪算法不仅不能自适应的更新目标模板，甚至导致目标跟踪失败。针对以上问题，本文主要以特征自适应融合和目标模板更新进行研究，用以提高目标跟踪算法的鲁棒性和精确性。　　本文完成的工作如下：　　在复杂场景中，针对单一特征粒子滤波跟踪算法不能很好的跟踪目标的问题，因此本文提出一种在复杂场景中基于特征自适应融合的粒子滤波跟踪算法。本文算法选取颜色特征和边缘特征来表征目标，因为选取的颜色和边缘特征在目标跟踪过程中具有互补性。同时定义可靠性因子，在粒子滤波框架下，根据可靠性因子自适应调整各特征的权值系数。实验结果表明，与单一颜色特征粒子滤波算法比较，本文算法能够准确的跟踪目标。　　在目标跟踪的过程中，针对光照的变化以及目标自身形变对目标模板造成的影响，本文提出一种自适应更新特征模板的方法。在跟踪过程中，根据模板更新因子的取值变化来自适应更新目标特征模板。最后将本文提出特征模板更新方法与特征自适应融合算法相结合。仿真实验表明，本文算法在复杂背景下以及受到遮挡时，能够稳健的跟踪目标并且表现出良好的鲁棒性。