随着计算机视觉技术的迅猛发展,目标跟踪作为计算机视觉领域非常活跃的一个研究课题,得到了广泛的发展和应用。在众多的目标跟踪算法中,粒子滤波作为一种新型的非线性滤波方法,以其处理非线性、非高斯动态系统问题的优良特性受到了广泛地关注。然而,粒子滤波算法存在若干的问题,例如,粒子退化、重要性函数分布的选取、粒子多样性匮乏、实时性差以及硬件实现等问题。本文深入研究了粒子滤波算法,针对跟踪算法中存在的问题进行优化和改进,主要的研究内容包括以下几个方面:　　 1.基于彩色核直方图作为目标特征,实现了基本的目标跟踪算法。本文针对跟踪中常遇到的目标形变和遮挡问题,分别采用尺寸自适应粒子和遮挡判断策略加以解决,提高了算法的鲁棒性。实验表明,算法在目标形变和频繁遮挡等复杂环境下均能较好的跟踪目标。　　 2.针对粒子滤波算法采样效率低、实时性差等问题,本文重点研究了粒子滤波算法的采样部分,分别采用辅助粒子滤波算法和均值偏移嵌入式辅助粒子滤波算法,逐步提高粒子的有效性。随后将K-means算法引入均值偏移嵌入式辅助粒子滤波算法详细阐述设计了KMSEAPF算法,该算法首先采用辅助粒子滤波采样粒子,利用K-means算法对粒子集进行聚类,然后仅对聚类中心的粒子进行均值偏移处理。KMSEAPF算法避免了对相同特征的粒子进行处理,很好的平衡了粒子的有效性和多样性,在降低计算复杂度的情况下仍能很好的搜索到后验概率峰值。实验表明,与均值偏移嵌入式辅助粒子滤波算法相比,KMSEAPF算法在完全遮挡情况下跟踪更加稳定,实时性更好。　　 3.基于DirectShow和VC++6.0的实验平台上,采用大量的视频素材对提出算法进行验证,并给出详细的实验结果分析。