视频目标跟踪是计算机视觉领域的主要研究方向，是智能化视频监控系统中的一个核心模块。虽然目前视频监控技术发展态势很好，但是受限于智能视频分析算法的性能，目前的智能监控系统距离大范围普遍使用还为时尚早，还有许多问题急需攻克，在这其中，视频目标跟踪算法的研究就是核心问题之一。　　本文以视频目标跟踪为研究对象，着重讨论和研究了以粒子滤波理论为基础的视频目标跟踪算法。所采用的粒子滤波算法(particle filter)是一种基于蒙特卡罗仿真求解贝叶斯概率的实用算法，核心思想就是用一些离散的随机采样粒子来近似表示目标状态变量的后验概率密度函数，其采用的多假设估计方法在处理非线性运动目标跟踪问题上具有特殊的优势，对于提升目标跟踪算法的综合性能十分有效。　　传统的粒子滤波目标跟踪算法虽然可以在简单环境中实现较为准确的跟踪，但实际应用时，其在稳定性、实时性、可靠性和适应性等方面仍存在不少问题。本文针对这些问题提出了一些改进方法：一方面，本文重新设计了目标的描述模型，采用HSV色彩模型结合目标分区所提供的空间信息更加准确和鲁棒的对目标进行描述；另一方面，针对传统粒子滤波跟踪算法出现的粒子退化和粒子多样性丧失的问题，在研究基于阈值的重采样方法的基础上，提出了重采样和重置初始化相结合的方法，可以有效地解决上述问题。最后，为了解决计算量大和采样效率低的问题，本文尝试将Camshift应用于粒子滤波算法中用以引导粒子状态转移和聚类。该方法融合了Camshift和粒子滤波的优点，能够以较少的粒子数实现较为准确的目标跟踪，实验证明该算法能够克服光照变化、遮挡、高速运动、背景干扰等问题，具有较好的稳定性和一定的实时性。