目前计算机视觉技术得到了迅猛发展，运动目标跟踪作为计算机视觉中的一项重要课题，也得到了广大优秀学者的研究，并且取得了不错的成果。目标跟踪的应用十分广泛，如智能监控、人机交互、视频压缩及军事领域等，其研究难点在于目标运动的复杂性、周围环境变化、目标遮挡和实时性要求等。虽然目标跟踪技术得到了日新月异的发展，跟踪性能得到了很大的改善，然而在实际应用中仍然没有一个能应对所有困难的解决办法，因此设计一个即保证跟踪精度又满足实时性的跟踪算法依然是一项具有很大挑战性的工作。目前粒子滤波跟踪算法由于其性能的稳定、可靠，且能应用于非线性、非高斯的系统模型中，已得到广大学者的认可。虽然与Mean-Shift或卡尔曼滤波器等其他目标跟踪算法相比，粒子滤波存在计算量大的问题，但是当前的计算机硬件水平已经能够完全胜任，确保粒子滤波算法的实时性。本文首先深入研究了卡尔曼滤波和粒子滤波算法，并将其进行了比较，然后在粒子滤波器的框架下，选择了四个性质不同、各有所长的特征对目标进行建模，这四个特征分别是颜色特征、边缘特征、显著性特征和SIFT特征。选定了这四个特征之后，对这四个特征做了大量的实验和分析，研究了影响各个特征复杂度和跟踪精度的因素，合理的将其应用于粒子滤波框架中。针对单一特征描述目标不够充分、鲁棒性不足的缺点，实现了多特征融合的粒子滤波跟踪算法。实验表明，每个特征适合不同的跟踪情况和难度，多特征融合能够很好的弥补单个特征的不足，改善跟踪的精确度，而由此带来的缺点就是复杂度的增加。本文全面研究了融合各种不同单一特征或特征组合的粒子滤波跟踪算法的复杂度，并构建了一个复杂度分级的机制，将各个跟踪算法分成四个复杂度等级，等级越高的跟踪算法复杂度越高，与之相应则是跟踪精度、鲁棒性也越来越高。在实际应用中，可以根据实际需求，选择不同等级的跟踪算法来对当前的目标进行跟踪，从而可以在满足跟踪精度的条件下节约计算开销。最后本文实现了自适应复杂度可分级的目标跟踪算法，粒子滤波跟踪算法的基本原理就是对目标的状态进行估计，再观测得到目标状态，每个粒子返回的权值代表对目标状态的观测值，可以通过这些粒子返回的观测值来估计当前跟踪状况的好坏，从而判定是否应该提高或降低跟踪算法的精度，即判定选择何种复杂度等级的跟踪算法。最终的实验结果表明，在跟踪目标的过程中，算法能自适应的选择不同等级的跟踪算法，取得同等跟踪质量的情况下，降低了计算量。