近年来，随着视频成像设备的日益普及和图像处理理论的逐渐完善，目标跟踪已成为计算机视觉领域的一项核心技术，在安防监控、智能交通、武器制导和医疗辅助等方面有着广泛应用。本文讨论了优化匹配跟踪方法和运动预测跟踪方法中的代表性算法，包括均值漂移、卡尔曼滤波和粒子滤波等，并阐述了粒子滤波算法作为目标跟踪理论框架的优越性。在粒子滤波框架下，本文开展基于多特征自适应融合的跟踪算法研究，对视觉特征提取、多特征融合以及滤波稳健性等关键问题进行了深入探讨。视觉特征描述了目标属性信息，其选择与提取往往决定着跟踪性能的好坏。本文依次介绍了目标颜色、纹理和边缘特征的直方图构造方法，其中为解决边缘特征提取中感知模糊边缘所面临的困难，深入研究了基于模糊理论的边缘检测算法。针对现有模糊推理边缘检测算法存在的不足，分别在推理策略和解模糊计算两个方面进行了改进，从而提出一种基于重要性加权和分步模糊推理的边缘特征提取算法，增加了目标边缘特征表达的准确性。由于任何一种视觉特征都无法完整地描述目标信息，基于单个特征的目标跟踪在复杂场景下难以取得良好的跟踪效果。一般地，依据不同视觉特征之间的内在互补性，对多种特征信息进行某种方式的融合，是提高跟踪准确性与稳定性的首选方案。本文从粒子滤波的观测概率密度函数着手，提出了一种基于对数似然比的多特征自适应融合策略，其好处在于不仅考虑候选模板与目标模板的相似程度，还考虑了候选模板与背景模板之间的区分程度。另外，基于粒子滤波的目标跟踪，当滤波过程受到严重的环境干扰时，部分远离系统真实状态的粒子可能拥有较大的权值，此时重采样粒子容易产生滤波发散现象甚至导致目标跟踪失败。针对这一问题，本文将核函数粒子滤波引入到目标跟踪中，在粒子重采样前，根据每个粒子状态与目标当前状态的距离，采用核函数对粒子权值进行适当调整，有效地提高了粒子滤波收敛性和目标跟踪稳定性。