视频运动目标跟踪是当前计算机视觉领域最活跃的研究主题，作为一门跨学科的前沿技术，它融合了图像处理、模式识别、人工智能等多种不同领域的理论知识，广泛应用于军事和民用方面。因此，国内外学者在视频运动目标跟踪领域展开了大量的研究工作，取得了一定的成果。但是视频运动目标跟踪中仍然存在一些难点问题，比如目标的形变、遮挡、快速运动以及强非线性、非高斯的状态估计问题等。粒子滤波在跟踪多形式的目标以及在非线性运动和测量模型中具有极好的鲁棒性，是解决这类问题的有效方法，但是它存在粒子退化以及因重采样而引起的粒子匮乏问题。针对以上问题，本文主要围绕粒子滤波技术和智能优化算法对视频运动目标跟踪进行研究，以提高目标跟踪方法在实时性、鲁棒性和准确性等方面的性能。本文完成的工作如下：1.针对非高斯后验概率分布在重采样过程中产生退化问题，提出CIGA-PF算法。该算法可以很好地防止遗传算法“早熟”现象，提高问题解决的效率，有效地避免算法陷入局部最优解，同时该算法可以有效地解决粒子滤波存在的粒子退化和匮乏问题，确保粒子的多样性。2.在对重采样步骤进行改进时，还提出了一种IPSO-PF算法。该算法在重采样过程中引入了隔离小生境技术，通过对各个子群体的进化过程灵活控制可以改进粒子重采样过程。通过与SPF算法进行对比实验发现，该算法的采样位置相对固定，样本分布均匀，可以实现粒子多样性的要求。3.最后利用两种改进后的粒子滤波算法进行视频目标跟踪实验，并分别与IGA-PF算法和SPF算法进行跟踪对比实验。实验结果表明CIGA-PF算法具有较强的鲁棒性，能够较好地处理图像序列中由于目标被遮挡所带来的影响问题，能够更加有效地跟踪目标，而IPSO-PF算法的实时性比较好，适用于目标处于机动状态的情况。