视频跟踪是智能视频处理领域一个重要的研究课题,是一项多学科交叉的前沿研究主题。它的主要研究内容是从序列视频图像中估计感兴趣目标的运动状态或运动轨迹。由于智能视频跟踪的广阔应用前景,使其成为了计算机视觉领域的研究热点,并成功引起了国内外学者的高度关注。近年来,由于计算机技术的飞速发展,一方面使得大规模计算速度得到极大的提高,另一方面使得视频跟踪问题的数学理论得到了实际的应用。这些都使得智能视频跟踪技术得到了更为广泛的应用。粒子滤波算法是一种基于贝叶斯估计的概率性跟踪方法,由于其对非线性、非高斯系统的有效处理被越来越多的应用于视频跟踪的领域。但由于视频本身的特点及粒子滤波自身的缺陷的影响,使得一些固有问题的解决仍有待研究者的努力,针对这些难题,本论文共做了以下几个方面的研究：在粒子滤波算法的视频跟踪理论框架的基础上,总结了常用的目标状态转移模型以及常用的建立似然函数的视觉特征。然后,通过仿真实验验证了粒子滤波算法跟踪估计的结果,并分析了失误原因——退化和“样贫”。将免疫遗传算法与粒子滤波算法相结合,详细介绍了免疫遗传优化粒子集,提出了视频跟踪中的免疫遗传粒子滤波算法,并通过实验对比验证了本文提出的算法在准确性和鲁棒性方面确实较标准粒子滤波算法有很大的提高。从多特征融合的角度出发进一步改进粒子滤波算法的性能。首先总结了几种常见的图像纹理特征提取方法,着重介绍了旋转复合小波纹理特征。然后介绍了基于颜色和小波纹理特征的免疫粒子滤波算法。最后,将基于颜色特征的粒子滤波跟踪算法、基于颜色的免疫粒子滤波跟踪算法和本文提出的综合颜色和小波纹理特征的免疫粒子滤波算法对同一段视频目标进行跟踪,通过实验结果对比,验证了综合颜色和小波纹理特征的免疫粒子滤波算法在性能上占有优势。分析了基于粒子滤波的多视频目标跟踪框架,并指出了粒子滤波算法在多目标跟踪中的优点和不足。最后通过两个场景中视频目标的跟踪来验证了粒子滤波多目标跟踪的性能。分析了多数Markov跳变非线性动态系统的特性,简要介绍了确定噪声下离散时间Markov跳变系统的卡尔曼滤波和不确定噪声下离散Markov跳变系统的模型。然后总结了Markov跳变非线性系统的贝叶斯估计问题,分析了这类系统状态估计中,由于其预测方程满足Fokker-Planck-Kolmogorov Equation (FPKE),而大多数FPKE很难得到解析解,引出采用粒子滤波来得到数值解的估计方法。最后,给出了Markov跳变非线性系统的粒子滤波框架,并通过多视频目标跟踪验证了本文提出方法的有效性和准确性。最后,总结了全论文的研究内容,指出了研究中存在的不足,展望了下一步的研究方向。