目标跟踪是计算机视觉研究领域的一个重要研究方向。目标跟踪问题事实上就是典型的目标状态滤波估计问题,在人工智能、视频监控、军事等许多领域都有着十分广泛的应用。近年来越来越多的学者投入到了目标跟踪技术的研究中,并取得了十分丰富的成果。尽管学者们提出了许多目标跟踪的有效方法,但由于目标跟踪问题的复杂性,这些方法都是针对具体跟踪问题的解决方案,具有各自的局限性。事实上,目标跟踪问题可以抽象为非线性非高斯系统的状态估计问题。粒子滤波算法是解决非线性非高斯系统状态估计问题的一种有效方案。论文的主要工作是在对粒子滤波算法改进的基础上实现视频目标跟踪。本文在分析了粒子滤波算法理论和目标跟踪模型的基础上,主要围绕粒子滤波算法中重采样后导致的粒子多样性丧失和目标强机动运动情况下,由于目标运动形式的不确定性导致的目标跟踪精度降低展开深入研究。本文主要研究工作及成果如下:1、针对粒子滤波算法中,传统重采样方法在迭代过程中引起的粒子匮乏问题,本文提出了一种改进的遗传重采样粒子滤波算法。在重采样的过程中根据动态改变的交叉概率和变异概率进行交叉操作和变异操作,以增加粒子的多样性,提高目标跟踪精度。2、针对常速转弯模型中转弯角速率一般采用固定值和部分自适应值,导致的目标跟踪精度降低的问题,本文首先提出了一种自适应转弯模型,并基于该模型构建交互式多模型集,进而提出一种改进的自适应交互式多模型粒子滤波的机动目标跟踪算法,从而实现强机动目标的跟踪。3、设计并实现基于改进粒子滤波算法的目标跟踪系统,在系统中应用改进的遗传重采样粒子滤波算法和改进的自适应交互式多模型粒子滤波的机动目标跟踪算法,从而实现视频序列中运动目标的跟踪。