运动目标跟踪技术是计算机视觉中一项具有重要意义的课题。对于图像序列中的运动目标进行跟踪在许多领域都有着重要的应用,如导弹制导、数字影像监控、医疗及智能交通系统等。由于红外成像传感器的诸多优点,基于红外图像序列的目标跟踪已成为当今目标跟踪发展和研究的一个主流方向。在目标跟踪领域,最常用的经典滤波算法是卡尔曼滤波(KF,Kalman Filter)和扩展卡尔曼滤波(EKF,Extended Kalman Filter),这两种方法在系统噪声和观测噪声满足高斯分布特性的时候具有较好的滤波性能,而对于非高斯分布噪声则指标下降,甚至出现发散。粒子滤波通过非参数化的蒙特卡罗模拟方法来实现递推贝叶斯滤波,适用于任何能用状态空间模型表示的非线性系统,以及传统卡尔曼滤波无法表示的非线性系统,精度可以逼进最优估计。本论文以非线性、非高斯噪声环境下的红外视频目标跟踪为主要背景,研究粒子滤波算法。通过对卡尔曼滤波算法,相关跟踪和粒子滤波算法基本理论的分析和对存在的问题的研究,详细阐述了(近似)最优重要性密度函数粒子滤波算法。并通过对模版匹配方法计算量大,并且容易出现目标漂移出参考模版等问题的分析,提出了一种基于粒子滤波算法的相关跟踪方法,并应用于红外视频图像序列目标跟踪。最后,分析讨论了算法参数对跟踪精度的影响。仿真结果表明这种新的粒子滤波算法能够很好的跟踪红外目标并且比传统穷举跟踪方法的计算量小,跟踪误差近似,并具有很强的跟踪鲁棒性。