序列蒙特卡罗,即粒子滤波技术是一种实时在线推理算法,因其具有有效处理非线性问题、应用前景广阔等特点,受到了越来越广泛的重视,成为统计学、信号处理、自动控制、人工智能、计算机视觉等领域新的研究热点。虽然目前己在理论和应用方面取得了一些研究成果,但粒子滤波器的发展仍处于初级阶段,其中许多关键技术至今仍没有公认有效的解决方法。本文研究了提高粒子滤波器性能的关键技术及其在视频跟踪中的应用。在提高其性能方面主要对粒子滤波器中存在的权值退化问题、重要性密度函数选择问题进行了研究。在视频跟踪方面,本文提出了一种基于增量学习的自适应粒子滤波视频跟踪算法。这种算法具有3种特点。第一,在线学习获得特征子空间的基向量;第二,采用RSR重采样方法根据粒子的权重和的大小对粒子数目进行自适应调整;第三,根据粒子权重和的大小对目标特征子空间的基向量的更新方式进行自适应调整。实验表明,本文算法在目标的外观、姿态和光照条件有较大变化的情况下,能保持较高跟踪精度,具有较强的鲁棒性。