目标跟踪问题实际上是目标状态的滤波问题，即根据传感器已获得的目标量测数据对所关心的目标状态进行精确的估计。对低信噪比光电图像序列中机动小目标的检测与跟踪问题而言，由于信噪比低，目标成像面积小，使得小目标跟踪和检测存在诸多困难，传统的手段难以实现。在近年提出的诸多先跟踪后检测方法中，递推贝叶斯滤波方法通过状态模型和量测模型，真正引入了跟踪的思想。其中，卡尔曼滤波器已被证明是线性高斯问题的最优贝叶斯实现。然而，实际跟踪问题受多种噪声干扰并且目标运动复杂，属于非线性非高斯问题，以线性和高斯的假设为基础的跟踪方法常导致跟踪失败。基于蒙特卡罗近似估计的粒子滤波方法在工程上实现了非线性系统的贝叶斯滤波思想，是目前小目标跟踪问题中研究的重点。　　尽管粒子滤波算法已经取得很多成果，但是同时也存在着一些亟待解决的问题，例如:算法计算量大，迭代过程中粒子权值退化、重采样后样本贫乏，重要性概率密度难于选择最优等问题。论文主要围绕粒子滤波算法的计算量和重采样后粒子匮乏的问题展开研究。本文主要研究工作和取得的成果如下:　　1)针对粒子滤波算法计算量大的问题，文中提出一种基于预检测模型的粒子滤波算法。该方法从观测数据中挖掘更多的有用信息，用以改善粒子初始化分布，在保证跟踪性能的同时降低所需的粒子数量，提高了算法的实时性。　　2)针对迭代过程中重采样后粒子匮乏问题，为了保证粒子的多样性，不同于标准粒子滤波简单复制的重采样方法，本文提出在重采样过程中对高权值粒子增加高斯扰动扩散的方法，以提高粒子逼近目标的概率，提高跟踪精度。同时本文提出了高斯扰动扩散范围公式，并给出比例系数。　　3)针对强机动运动目标跟踪问题，提出轨迹突变检测的粒子滤波算法。该算法从实时性角度出发，在采用简单有效的单模白噪声运动模型基础上，提出基于残差的轨迹突变检测思想，采用预检测模型估计无法直接获取的系统状态的观测值。在检测到目标轨迹突变后，提出通过对粒子进行重新初始化以实现跟踪，并给出了粒子重初始化的两种分布区域。