近些年来，在视频监控的系统中对运动目标进行监控引起了国内外学者的广泛关注。视频目标的跟踪融合了计算机视觉，模式识别，人工智能等多学科的技术，在社会的各个领域都有十分重要的意义。在实际的视频监控系统中，视频目标的状态概率分布一般具有非线性、非高斯的特点，所以对相应的理论技术研究具有重要的意义，已成为视频监控领域的研究发展趋势。粒子滤波适用于系统中任何能用状态空间模型表示的非线性系统，以及传统的kalman滤波无法表示的非线性系统，它是用非参数化的蒙特卡罗模拟方法来实现递推贝叶斯滤波，精度可以逼近最优估计。
　　本论文研究的是以粒子滤波理论为基础的感兴趣视频目标跟踪技术，在对目前该领域各种粒子滤波理论问题和具体的算法研究的基础上，围绕如何提高目标的特征进行目标跟踪提出了一种改进的粒子滤波跟踪算法:围绕如何提高粒子的传播效率和算法实时性提出了一种有效地解决方法:最后借助本文的粒子滤波跟踪系统实现了目标的跟踪，并讨论了一些有待解决的问题和进一步研究的方向。论文开展的研究内容与成果如下几方面:
　　1、系统地介绍了粒子滤波理论的产生和发展状况，然后与目前视频目标跟踪领域常用的经典滤波算法(卡尔曼滤波和扩展卡尔曼滤波)进行详细的比较分析，阐述粒子滤波的优缺点，进而给出了目前粒子滤波各种经典算法(SIS，MCMC改进策略，UPF,APF,RBPF,RPF)的伪代码，并分析了各自算法的优缺点。
　　2、针对典型粒子滤波理论算法采用单一目标特征作为重要性密度函数因子的缺陷，通过分析视频目标跟踪中一般选用的目标特征导致跟踪不稳定问题，提出了一种新的基于颜色和目标空间信息特征的粒子滤波跟踪算法，该算法在基于颜色直方图的粒子滤波跟踪框架中，利用目标的空间特征建立结构模型，通过Bhattacharryya系数和边缘密度比例因子衡量目标在两帧图像之间的相似性。实验表明较传统地采用单一颜色特征的粒子滤波跟踪算法鲁棒性更高，有效解决了由于目标形状或颜色变化而产生的跟踪困难问题。
　　3、研究了均值偏移和卡尔曼滤波各自融合到粒子滤波算法框架中的应用，针对经典的粒子滤波视频目标跟踪算法进行粒子传播采用随机游走的方式，以及传统颜色直方图无法反映目标空间特征的问题，提出了一种新的基于颜色的粒子滤波目标跟踪算法。该算法在统计目标二阶颜色直方图的基础上，获得粒子的观察概率密度函数，利用卡尔曼滤波确定粒子动态传播模型中的确定性漂移部分，使粒子状态估计值分布更精确地趋向目标的概率分布，大大提高了粒子的利用效率。实验证明，这种方法解决了粒子滤波器计算量大的问题，提高了目标跟踪的鲁棒性。