视频跟踪是视频交互技术的重要分支，在人机交互，目标识别，机器人视觉以及视频监控等方面具有十分广泛的应用。视频跟踪，就是检测视频图像序列中是否存在运动目标，若存在目标，则对目标进行提取和跟踪。因此如何准确的提取出目标特征和并准确而稳定的跟踪到视频图像中的目标，是视频跟踪中的重点。在目标特征提取方面，目标的特征包括目标的颜色、形状、运动信息、轮廓等，一般会单独的利用目标的特征过滤掉视频背景中的干扰噪声，进而提取到要跟踪的目标。但是有时背景中存在相似颜色的目标、运动目标干扰、静止目标的遮挡等复杂情况，仅仅依靠单独目标的特征很难将所有干扰噪声都过滤掉，因此可以通过多融合特征来除去干扰噪声。实验证明了多融合特征可以有效的提高检测目标的准确性。在目标跟踪方面，许多传统的跟踪方法虽然可以跟踪到目标，但是跟踪的稳定性不高，因此本文将跟踪方法运用到粒子滤波框架下，通过多粒子的跟踪可以提高目标跟踪的稳定性。为了解决基于改进Camshift的粒子滤波跟踪方法对于相似物干扰以及完全遮挡问题的鲁棒性不高的问题，本文采用目标颜色特征和运动特征作为跟踪的线索，采用改进的GM(1,1)模型作为遮挡时的预测目标方法。实验证明，本方法能够在光照变化，目标受到相似物干扰以及目标被完全遮挡的情况下稳定的跟踪目标。为了既能稳定的跟踪到目标，又能更快的跟踪到目标，应用了基于改进的LSSVR粒子滤波方法。本方法是在粒子滤波框架下采用改进的卡尔曼滤波来预测目标，然后通过LSSVR模型来矫正跟踪到的结果来减少先前跟踪中出现的误差。其中卡尔曼滤波跟踪方法的实时性比Camshift跟踪方法好，因此改进LSSVR粒子滤波方跟踪算法相对于改进的Camshift粒子滤波跟踪算法能更快的跟踪到目标。