视频目标跟踪是近年来计算机视觉领域中的研究热点，在人机交互、视频监控、智能交通等方面都有着广泛的应用。视频目标跟踪算法的优劣性直接影响着运动目标跟踪的稳定性和精确度，研究一种鲁棒性好、实时性高的视频目标跟踪算法是该领域所面临的重要问题。当前的目标跟踪算法由于计算复杂度高、跟踪环境复杂等问题，算法的鲁棒性和实时性仍有待改进。　　 视频目标被遮挡是视频目标跟踪处理上的难点之一，目前仍没有一种算法能够同时的解决各种遮挡问题，包括目标被部分遮挡、全部遮挡及相似物体遮挡干扰等等问题。本文提出了基于密度迭代的粒子滤波目标跟踪算法(DensityPropagation based Particle Filter,DP-PF)，利用每一时刻目标出现时的粒子群的分布密度、权值密度迭代到后续视频序列当中进行处理，有效地提高算法的鲁棒性；利用RGB颜色空间分量压缩及结合像素位置信息的权重因素建立目标特征模型，Bhattacharyya系数作为模型之间的相似性度量以提高算法的效率。　　 本文首先介绍视频目标跟踪的国内外研究现状，详细介绍了视频目标跟踪的总体框架并综述了的各种目标跟踪算法，分析了各种算法的思想及优缺点，然后具体介绍了粒子滤波及其相关的基本理论和应用于视频目标跟踪的主要策略。最后详细阐述本文所提出的DP-PF算法原理及其实现过程。通过实验仿真了DP-PF算法在各种遮挡环境下的跟踪效果并分析，与当前基于基于模型更新的目标跟踪算法相比较，本算法具有更好的实时性和鲁棒性。