目标跟踪是计算机视觉领域的研究热点之一,在军用和民用领域都有着重要的实用价值和广阔的发展前景。粒子滤波技术因为在处理非线性非高斯问题方面具有优势,符合跟踪环境的实际情况,而被引入目标跟踪领域。但是粒子滤波中利用重采样方法解决退化现象时,会造成粒子多样性的缺失,存在样本贫化和增大计算量的问题,影响目标估计的精度,特别是对目标遮挡这类长时间不变量的影响尤为严重。针对上述问题,本文分析了粒子滤波算法的基本理论,并对其存在问题进行了深入的研究,提出一种基于粒子群优化算法(PSO)的粒子滤波改进算法,并将改进的粒子滤波算法应用于目标跟踪中。本文的主要研究工作包括：1、对比分析了PF与PSO这两种算法的各自特点,通过两种算法在原理上的相似性,对二者融合的可行性进行了分析,给出了粒子群算法改进粒子滤波的理论基础。2、将粒子群优化的思想引入粒子滤波算法中,提出了一种鲁棒的PSO-PF方法。系统状态转移模型选择为简单的一阶自回归模型,目标的描述利用目标区域的灰度分布,该灰度分布通过核概率密度估计建立。通过计算参考目标的灰度分布和目标样本的灰度分布之间的Bhattacharyya距离,建立系统观测概率模型。利用粒子群算法良好的局部寻优和全局寻优能力对重采样之后的粒子集进行操作,使粒子能够智能合作,减轻样本贫化现象,并给出了改进算法的具体实现形式。最后,对上述方法在目标跟踪中的应用进行了实验验证,实验结果表明该算法实时性强,提高了目标状态的估计精度,有效的缩短了计算时间,其滤波性能优于常规粒子滤波算法。