多目标跟踪技术是计算机视觉研究领域中最活跃的研究课题之一。随着现代计算机和信息技术的飞速发展及图形识别算法的革命性改进,多目标的实时追踪技术脱颖而出,在军事国防、交通监视、天文预测、智能监控等领域有着非常重要的实用价值。粒子滤波作为一种基于贝叶斯估计的非线性滤波算法,在处理非线性运动目标跟踪问题方面有独到的优势。但粒子滤波的框架中并没有包含数据关联的机制,当对多个目标进行跟踪,目标数发生变化或目标相互遮挡时,会出现跟踪目标的丢失。此外,多个目标之间的干扰也会影响跟踪的准确性。本文在应用粒子滤波进行目标跟踪的基础上,提出了将粒子滤波和背景建模相结合来处理多目标跟踪问题的技术框架,将多目标跟踪分为背景建模、多目标跟踪、初始化、重新初始化和粒子滤波五个模块。本文的研究成果如下:使用高斯混合模型(GMM)对图像的每个像素进行建模,来计算当前图像中属于背景像素的概率,从而提取出前景运动目标。在处理前景目标的阴影问题时,为了克服了图像局部或整体的光照变化的影响,通过建立亮度变化和色度变化的彩色模型,来区分阴影背景、高亮背景、普通背景及前景目标,然后自动选择阈值对图像的像素点进行分类。实验表明,该算法能够较好的区分前景目标及其产生的阴影,从而提高后续跟踪算法的效率。在背景建模的基础上,详细研究了对每个目标生成其粒子集,进行粒子滤波的算法流程及技术框架,实现了3种粒子重采样算法(替换选择算法、线性时间算法和权值函数算法)。在评价粒子权值时,为了较好的区分目标之间的颜色特征,对原有的用Bhattacharyya距离评价的算法进行了改进,仅统计背景建模后粒子区域前景像素的颜色分布,从而提高了目标跟踪的精度和效率。利用背景建模的结果,并结合目标运动的时间和空间关系,使用信任理论来处理新目标出现和旧目标消失的情况。实验表明,本算法能实现多个运动行人的有效跟踪。