目标跟踪是计算机视觉研究中的一个重要课题,它是目标行为理解的基础,是图像系统连续准确工作的重要部分。跟踪算法要求准确性和鲁棒性,在很多应用下还要求实时性,而现实中目标的运动通常较为复杂,因此兼顾准确性、鲁棒性和实时性一直是目标跟踪的前沿和热点问题,也是本文的研究目的。目前大部分跟踪算法采用基于单一目标特征,计算量通常不大,能满足实时性的要求,但单一特征描述缺乏准确性,难以将目标从背景中准确的分离；目前多特征算法通常针对目标各个特征在不同场景的显著性不同,对各个特征单独建模,并融合所有特征信息互补,它需要对特征一一求解,从而大大增加运算量,影响跟踪的实时性。针对以上跟踪算法存在的问题,本文主要做了以下工作：针对单一特征跟踪算法识别准确性不高,特别是在遮挡状况下无法对目标特征进行检测和跟踪的问题,考虑到基于后验概率估计的粒子滤波算法在复杂场景下能提高跟踪的鲁棒性,本文在粒子滤波基础上,提出了一种融合了目标运动特征信息的算法。算法通过记录目标运动的历史信息,当目标被遮挡时,利用牛顿运动定律预测运动目标可能出现的位置与方向,从而解决目标发生遮挡而无法继续跟踪的状况。参考人眼视觉跟踪机制,根据目标物体在不同场景下对人眼的刺激的显著性不同,人眼依据显著性由强而弱捕获外界目标,本文提出了一种自适应的多特征粒子滤波目标跟踪算法。算法首先对目标的各个特征按照显著性的强弱进行排序；然后按照排好序的特征过滤粒子,显著性越高的特征对目标的辨识度越高,相应过滤更多与目标特征不相符的粒子,减少粒子的重复性计算,直至剩下唯一的候选粒子；最后反馈跟踪的结果,过滤越多粒子的特征,获得越高的显著性,反之降低显著性,算法对更新后的显著性再重新排序,作为下一轮过滤的参考。该算法可以实现随着场景的不断变化,目标的特征与其显著性自动组织去适应外界环境,从而实现目标特征的自适应性。在验证算法有效性中,本文采用了四段视频进行测试,并与单一特征和多特征目标跟踪算法分别在准确性、鲁棒性以及实时性三个方面进行对比分析。其中两段的跟踪目标为复杂体育比赛中的人物,另外两段分别为高速公路上和城市交通中的汽车。通过实验表明,本文算法比基于单一特征的目标跟踪算法具有更高的准确性和鲁棒性,特别是在场景复杂或者图像剧烈变化的情况下；同时通过与其它的多特征目标跟踪相比,本文算法的实时性更高。