在雷达跟踪制导、智能视频监控、机器人视觉等系统中，经常需要获取感兴趣目标的位置、速度、转向等状态参数，在此基础上实现对目标的运动特性分析并进一步对其进行控制。而这些参数通常只能间接地观测，而在观测过程中往往还存在噪声干扰，因此需要采用滤波的方法根据测量值和状态变量的函数关系去估计所需的状态参数，此类方法也被称为目标跟踪技术。目前，出现了很多针对不同系统的目标跟踪技术，但是在鲁棒性和实时性方面与实际系统的需求存在较大差距。因此本文以粒子滤波为框架，并针对该算法存在的粒子退化、实时性差等缺点从构建更为精准的重要性概率密度分布、提高粒子权值、降低算法计算复杂度等几个方面对基于粒子滤波的目标跟踪算法进行改进，提出了两种针对混合动态状态空间模型系统基于粒子滤波架构的目标跟踪算法，并将所提出的目标跟踪算法在基于视频图像的目标跟踪系统中进行了应用。主要研究内容如下：首先，为了改善粒子滤波目标跟踪算法的实时性，提出了一种基于Kalman重抽样粒子滤波目标跟踪算法。利用Kalman滤波算法构建重要性分布，将最新的观测值引入到重要性分布中，从而使抽样粒子集更符合系统的真实状态。并进一步利用均值漂移聚类算法对粒子分布进行改善，使粒子进一步聚集到高后验概率区域，这样不仅提高了粒子的有效性，使估计误差减小，提高了跟踪精度，而且由于有效粒子的增加，可以适当的减少粒子数目，降低计算复杂度，算法的实时性得到了保证。其次，为了提高系统动态空间模型的准确性，提出了一种基于联合特征的系统建模方法。利用颜色特征与目标位置参数共同建立更为可靠的系统模型，减少由于所建模型与实际系统差距大带来的估计误差。而且，通过两个参数不一致的变化可以发现错误的估计，降低由于目标位置预测误差导致的模型更新失效。再次，在联合特征建模基础上，提出了一种基于Rao-Blackwellization边际化思想的粒子滤波目标跟踪算法，将线性变化的颜色特征从粒子滤波框架中提取出来，采用Kalman滤波技术高效解析的处理，从而在线性/非线性混合动态系统中既获得了较高的跟踪精度，并降低了计算复杂度。此外，在算法中采用核概率密度估计建立目标颜色模型，采用融合了PDA算法的卡尔曼滤波对其进行更新，使算法在发生环境亮度变化、目标遮挡等情况时，仍能够保持跟踪精度，算法的鲁棒性得到了改善。最后，将聚类Kalman重抽样粒子滤波目标跟踪算法应用于智能交通视频监控中，以高点静态摄像头捕获的交叉路口视频图像为研究对象，实现了对视频中车辆实线并道违章行为的自动检测和标识，检出率和实时性都得到了改善。并根据目标跟踪所获得的车辆运动轨迹，对车辆在交叉路口的转向进行预测，为实现在监控摄像机网络中对车辆的接力跟踪奠定了基础。