移动目标的定位和跟踪是室内智能系统场景分析的一个重要研究方向。传统的定位跟踪方法主要是单独利用单一的音视频的信息对目标进行跟踪,但是视频跟踪和音频跟踪在复杂情景下都有各自的局限性,为了使运动目标的跟踪系统性能较好,本文讨论了一种粒子滤波框架下的音视频信息融合跟踪算法。音频定位部分,主要讨论了基于时延估计(TDOA)的声源定位算法,重点介绍了其中的相位转换(PHAT)加权方式的广义互相关(GCC)方法。为提高定位精度,对PHAT-GCC方法进行了多帧加权平滑等改进,实验证明改进算法在抗噪和抗混响方面有着不错的性能。还介绍了时延估计下的声源方位估计,对声源位置的计算进行了具体推导,并分析了该空间结构的固有误差。视频处理部分,采用均值漂移(Mean Shift)算法来对目标进行定位跟踪,提取目标区域的颜色特征,并对其进行均值偏移处理,迭代寻找到候选模板与目标模板最相似的位置即为目标位置,进而实现跟踪。在遮挡问题中,采用新的模板更新策略对原算法进行改进,实验证明,模板更新策略有效防止了遮挡对目标模板的引入的错误特征,很好解决了遮挡问题。信息融合部分,提出了粒子滤波框架下的基于特征有效性的音视频信息融合方法,利用特征有效性对TDOA特征和颜色特征在观测步骤进行融合,实现了异类信息的互补原则。在粒子滤波中嵌入均值漂移方法,提高跟踪系统实时性。最后利用模板更新策略保证遮挡情形下的目标模板的正确性。实验证明改进后的音视频融合跟踪算法比单一的跟踪算法有更好的性能。