目前，视频跟踪技术已经广泛应用，但是仍面临很多挑战，如目标与背景对比度差，运动目标姿态的改变，背景中的噪声和干扰等，导致跟踪的鲁棒性差。使用单一的特征通常难以鲁棒地跟踪目标，甚至跟丢，因此，融合多特征，充分利用多个特征的互补和冗余信息是解决这一问题的有效手段。而在信息融合算法中，D-S证据理论作为一种不确定非精确推理的算法，不需要先验信息，适于解决多源信息中的不确定信息，实现冗余信息和互补信息的有效融合，在故障诊断、目标识别、决策支持等领域得到广泛的应用。　　本文针对D-S证据理论及融合算法进行分析和研究，提出了一种新的自适应融合算法，并将新的融合算法在视频跟踪中进行应用。主要研究内容包括：　　（1）研究高冲突证据的有效融合问题。通过将传统的冲突系数和余弦距离相结合，提出新的衡量冲突的系数；在此基础上，提出一种基于 K-L距离修正证据源的组合方法。该方法首先定义了新的冲突系数，以此来判断证据是否属于高冲突，然后从证据之间的差异性出发，定义具有不对称性的 K-L距离来反映证据距离，以此作为权重来修正证据源，最后利用Dempster组合规则对修改后的证据源进行融合。该方法能够有效地处理高冲突证据，得到较好的融合结果。　　（2）研究基于冲突程度的自适应融合方法。传统证据理论在融合低冲突证据时具有较好的准确性且计算量较小；而 DSmT算法在处理高冲突、不确定性的证据时具有优势，因此提出一种基于冲突程度的自适应融合方法。该方法首先定义了冲突系数以及判断阈值，而后从不确定性角度出发，利用不确定度对DSmT融合模型进行折扣，再通过 PCR5组合规则进行融合。在此基础之上，建立自适应融合框架，将传统证据理论与改进后的 DSmT算法自适应切换。该方法能够处理各种冲突情况，并且在高冲突情况下，由于对不确定性进行了处理，使得证据有利于决策。　　（3）研究基于证据理论的自适应融合规则在视频目标跟踪中的应用。在粒子滤波框架内建立融合模型，通过该模型将视频的特征权值映射为证据的 BPA值，再利用上述改进的组合规则对其进行融合。在matlab环境下进行了仿真实现，采用CAVIAR项目组的视频序列，从而实现基于多特征的视频跟踪，并将本文的两个研究方法和传统的证据理论方法的跟踪效果进行对比，实验证明，在复杂场景下，目标发生遮挡时，传统的证据理论方法无法正确跟踪目标，而本文方法均可以稳定地跟踪目标。