随着计算机技术的不断发展,目标跟踪作为当前计算机研究领域中的一个热点问题,广泛应用于民用和军事等领域。例如：人机交互、智能监控、城市安防、智能交通、战场监视等。目标跟踪是人们运用各种观测和计算方法,实现对感兴趣运动目标状态的建模、估计、跟踪。近年来,众多专家学者针对目标跟踪提出了许多优秀的算法,但由于运动目标外观的变化(遮挡、尺度、旋转、仿射、光照条件)、背景的复杂性,以及系统存在噪声等问题,使得这些算法只能运用在特定的场合,算法的鲁棒性和实时性不够好。因此,研究一种应用在复杂背景下的,能够实现对感兴趣目标,准确且快速跟踪的跟踪算法,意义重大。本文完成的主要工作如下：1.针对基于粒子群优化思想的粒子滤波算法(PSO-PF)中存在计算精度不够高,易陷入局部最优的问题,本文提出一种基于混沌粒子群优化的粒子滤波算法。该算法利用混沌理论初始化粒子,使粒子分布更加均匀,保证了初始粒子的多样性；重新初始化劣势粒子,用混沌变异的思想更新全局最优粒子,用反向运动的方法更新惰性粒子,以期提高算法预测精度、增加粒子的多样性、跳出局部最优值。实验结果表明,该方法与传统粒子滤波算法、PSO-PF相比,增强了算法的预测精度。2.由于基于单一特征的目标跟踪算法,在复杂情形下,难以实现对运动目标的跟踪,本文提出一种基于自适应背景的多特征融合目标跟踪算法。该算法利用颜色和基于灰度共生矩阵纹理特征表征目标,在粒子滤波的框架中,通过分析在不同特征下,粒子空间分布、权值分布、以及特征对背景的区分性,提出了一种有效的融合系数计算方法；根据在跟踪过程中目标外观的变化情况,自适应更新目标模板。在不同场景下的实验结果表明：该算法在不降低实时性的前提下,抗背景干扰能力大幅度提高；在各种场景下,均具有良好的稳定性和鲁棒性。