在科学技术的日益发展的今天，能自动实时地监控各种场景的智能视频监控系统已经广泛地融入到了社会的各行各业中，比如银行，小区，工厂的安全监控系统，高速公路上的流量监控系统等等。而人体目标跟踪是实现智能视频监控的核心技术，同时也是当前计算机视觉领域一个非常热门的研究课题，它融合了计算机视觉，数字图像处理，模式识别，人工智能，自动控制等等领域的许多先进技术，并在智能视频监控，交通流量监测，医疗影像诊断以及天气预报等等方面部有广泛的应用。人体目标跟踪的本质是在图像序列中迭代搜索并确定感兴趣的具有某种显著视觉特征(如：颜色，形状，纹理，光流等)的目标的位置。目前，基于贝叶斯估计的粒子滤波算法是应用在人体目标跟踪领域中最广泛的算法。实际中人体目标跟踪系统的后验概率分布通常是非线性和非高斯的复杂分布，而粒子滤波是处理非线性和非高斯贝叶斯估计问题的有力工具，并且在此基础上，本文还使用了分块建立人体目标观测模型的方法，来提高人体目标跟踪算法的稳定性。因此本文主要讨论基于粒子滤波的分块人体目标跟踪算法及其改进方法。通常的情况下，三维世界中的数据压缩到二维图像上时，大量可用视觉信息被丢弃，加上图像数据本身所具有的噪声，使得从图像数据中建立精确的人体目标模型变得非常困难。因此采用单一的视觉特征去描述人体目标时，随着环境的变化，跟踪也往往会变得不稳定的。本文采用融合颜色和形状两种特征的方法来描述人体目标。该方法在建立人体目标模型时，可以自适应地调节两种视觉特征的权重值，使得当有一种特征受到环境干扰变得不太可信时，可以通过增加另一种特征的权重值来获得稳定的跟踪结果。通过实验的对比，证明本文的多特征融合粒子滤波跟踪算法比使用单一特征的粒子滤波跟踪算法稳定性有很大的提升，即使在复杂的变化的环境中，也可以实时，准确，鲁棒地跟踪图像中的人体目标。