多目标跟踪在近些年一直是一项热点研究内容，并且在军事和民用领域得到了广泛的应用。传统的多目标跟踪方法往往采用基于“滤波、数据关联”的方法模型。但是该类方法计算复杂，且对于目标数目是否已知和变化存在较强的约束，从而难以应对目标数目未知或变化情况下的多目标跟踪问题。本文将粒子滤波与基于随机有限集的概率假设密度（PHD）方法相结合，研究了基于粒子滤波的PHD多目标跟踪方法。该方法将任意时刻的目标状态和量测均视为一个随机集，并利用粒子滤波的思想将PHD中存在的复杂积分运算转化为数值形式，从而能够有效的解决目标数目未知或随时间变化的多目标跟踪问题。该算法首先在初始时刻按照重要性函数采样包含目标状态信息且带权值的样本（粒子）。然后通过PHD的预测方程和更新方程获得当前时刻的粒子及其更新权值。再对当前时刻的粒子权值求和来估计目标数目，并进一步进行重采样过程以消除低权值粒子对目标状态估计的影响。最后，对重采样后每个目标的所有粒子状态进行加权平均，获得最终估计的目标状态。为了验证算法的有效性，本文采用了仿真的多目标图像序列和基于真实红外背景的多目标合成图像序列分别进行了仿真实验。实验结果表明，基于粒子滤波的PHD多目标跟踪方法能够较准确地实现多目标数目及目标状态的有效估计，从而获得较好的跟踪结果。