现代交通运输智能化涉及车辆自身的智能化与道路交通智能监控。智能车辆采用视觉系统针对周围车辆进行跟踪,有助于对潜在接近或危险行驶的车辆进行合理规避；道路交通智能监控环境中,针对车道上的行驶车辆进行目标跟踪,有助于提取交通流速度、车道的占有率与瞬时车速等交通信息量。符合目标状态非线性、噪声分布非高斯的粒子滤波算法由于既适用静止视觉平台,同时又适合移动视觉平台,成为目前跟踪算法的一个较优选择。在图像受随机噪声扰动、车辆受遮挡、车速变化等场景下,传统车辆跟踪算法的成功率与处理速度均难以完全匹配智能车视觉系统的要求；对于道路交通智能监控,基于图像的车辆跟踪算法也存在不能完全适应光照强度变化、阴影、雨雪雾天等问题。作为传统预测跟踪方法,粒子滤波算法自身缺乏智能性应对复杂场景车辆跟踪的有效解决手段。针对上述复杂车辆跟踪场景,论文侧重在融合粒子滤波与增量学习方面,研究进一步提高粒子滤波跟踪算法稳定性、实时性与可靠性的解决方法。本论文主要研究复杂场景中的运动车辆跟踪方法,研究成果与取得的创新点体现在以下主要方面：(1)为解决传统粒子滤波序列重要性重采样(Sequential Importance Resampling, SIR)算法因引进简化的建议分布,引起粒子权值近似计算从而导致跟踪稳定性欠佳的问题,利用相邻帧间信息的强关联性,使用前帧先验与系统状态预测信息共同采样粒子以校正预测粒子点信息,提出一种引入前帧加权采样的粒子滤波跟踪算法。基于标准视频Car11的车辆跟踪实验表明：对道路灯光扰动下车速发生变化的车辆进行跟踪,所提算法提高粒子滤波SIR算法跟踪的稳定性。为进一步降低重采样误差并提高粒子滤波的采样效率,既通过引入当前粒子集权值的残差信息来构建合理的累积分布函数,又通过分层的手段来获取有序的随机数集合,在多项式重采样的基础上提出残差信息分层重采样。针对标准测试视频,对比嵌入4种重采样的粒子滤波SIR跟踪算法的实验数据表明：在跟踪误差与收敛粒子数方面,嵌入残差信息分层重采样的粒子滤波算法性能为最优。(2)针对车辆运动方向持续变化、目标车辆距离远近变化、光照强度变化等场景下,稳定且实时性地跟踪车辆的难点问题,基于自相关矩阵增量主成分分析(Incremental Principal Component Analysis,IPCA)增量学习与粒子滤波算法的基础上提出一种基于表观模型的车辆跟踪方法,不需预先训练车辆图像、且不需假定目标车辆的子空间均值固定,从跟踪初始利用自相关矩阵与特征值分解构建车辆的子空间图像,通过IPCA增量学习后的子空间均值、特征向量基共同参与似然概率密度的计算,提高粒子滤波算法粒子权值计算的精度。在粒子数选取300个、每5帧进行一次IPCA增量学习的情况下,基于Car4等3组标准视频的跟踪实验表明：对比P.Hall-IPCA粒子滤波与D.Ross-IPCA粒子滤波方法,所提AM-IPCA粒子滤波方法将车辆跟踪成功率分别由82.7%-92.3%、92.1%-95.2%提升至95.1%-96.4%。(3)长序列图像跟踪场景中,车辆跟踪过程经常受跟踪区域形变、光照强度变化等现场强噪声干扰,为解决跟踪算法的跟踪窗口易产生形变与漂移的难点问题,利用群空间中仿射群组受扰动后的形不变性,将系统状态变量映射到李群空间进行处理,同时采用IPCA增量学习并更新目标特征子空间。在利用粒子滤波算法采样粒子时,通过引入观测量以提高粒子权值计算的准确性。所提跟踪器可以在现场强噪声的扰动下长时段稳健地跟踪车辆,跟踪窗口自适应地调整大小与角度以不断适应车辆姿态和距离远近的持续变化。基于Dtneu_schnee等4个标准视频的跟踪实验表明：对比同类别跟踪器VTD、IVT和Kwon2010,所提自适应跟踪器将跟踪成功率分别由91.3%～95.7%、82.9%-94.2%、94.6%-96.7%提升N96.1%～97.7%。(4)针对车辆在经历遮挡、运动状态变化及雨雪噪声扰动下的跟踪难点问题,并非一味地采用预测跟踪算法对车辆进行长时段跟踪,结合粒子滤波、Online Boosting在线分类器及其增量学习、样本相似度与半监督学习提出SSOBI粒子滤波跟踪算法,利用当前时刻观测数据、相邻帧与系统状态预测信息共同增强粒子滤波的粒子采样合理性,避免粒子滤波的建议分布过于依赖系统状态预测而处于一定的局部最优范围之内；粒子滤波合理的建议分布则有效地缩小在线增量学习样本的检测范围,加快Online Boosting的学习并有效解决增量学习过程中存在的自学习问题。针对Dtneu_winter等测试视频的跟踪实验表明：车辆面临部分遮挡时,对比Online Boosting、半监督Online Boosting算法,SSOBI粒子滤波算法将跟踪成功率分别由66.5%～73.3%、76.4%～82.5%提升至88.5%-90.0%。