运动目标跟踪是计算机视觉领域的一个重要研究方向，也是一个广泛的研究课题，具有很好的应用前景。粒子滤波作为研究非线性、非高斯动态系统最优估计问题的有效方法，在运动目标跟踪领域中取得了很大的发展。本文着重研究了基于粒子滤波的运动目标跟踪算法，探讨如何提高运动目标跟踪算法的稳健性和可靠性，并且设计实现了基于粒子滤波的目标跟踪系统。　　 本文从提高粒子滤波采样效率、设计优良的目标模型两方面出发，提出改进的粒子滤波跟踪算法，提高粒子滤波跟踪算法的鲁棒性和适应性。首先针对复杂跟踪场景下单一视觉信息不能充分、可靠地进行目标跟踪的问题，研究了一种多信息融合跟踪算法，利用颜色、边缘和纹理信息描述目标，并通过民主融合策略进行融合，根据在当前帧的可靠性而给信息分配不同的加权，实现信息的自适应融合，提高了动态场景下目标描述的可靠性。　　 针对传统粒子滤波跟踪算法采样效率低，计算量大的问题，本文进一步提出了辅助粒子滤波与均值漂移相结合的跟踪算法。集合算法首先利用辅助粒子滤波来采样粒子，考虑了最近时刻的观测值，使粒子更好地覆盖在目标位置附近，提高了采样效率；然后利用均值偏移将每个粒子移动到后验概率局部最大值处，使大部分粒子集中在目标的真实位置附近，仅采用少量的粒子就能很好地描述后验概率密度。同时，在综合地考虑了当前目标跟踪结果与原始目标模型对于模型更新贡献的前提下，提出了目标模型的更新策略，通过对目标模型的实时准确更新以适应环境的变化以及目标自身特征的改变，提高了跟踪算法的鲁棒性。　　 最后本文基于Visual Studio2005平台设计实现了运动目标跟踪原型系统，能够在复杂的环境下对运动目标进行稳健的跟踪，并且实现了对多个运动目标的跟踪，取得了良好的跟踪效果。