粒子群优化算法(PSO)是一类高效率的随机群体智能优化方法,已广泛应用于科学研究和工程实践的各个领域。本文针对PSO在迭代过程中收敛状态和发散状态不断交替出现且难以控制的问题,基于时不变传递矩阵的收敛性分析结果,研究了一种基于自适应算子切换的改进粒子群算法,用于控制群体“探索”能力和“开发”能力的平衡。仿真优化对比实验表明,改进PSO算法表现出了收敛状态与发散状态的可控性和全局收敛的高效性。在应用方面,本文主要研究PSO在目标定位和目标跟踪中的应用方法。目标定位是指在图像中找出感兴趣目标的位置,而目标跟踪是对视频中感兴趣的活动目标进行实时跟踪并确定其活动轨迹。实现目标定位和跟踪方法具有广泛的应用前景,如在视频智能实时监控系统、运动相机中对运动目标的跟踪对焦、无人机的定位与跟踪、救援管理系统中对落难人员的定位、军事上利用视频信息获取敌方军力部署信息等都需要应用目标定位与跟踪方法。本文针对单个目标的识别问题,研究了一种改进的目标函数用于识别不规则物体。针对多目标定位问题,研究了一种基于协同竞争机制的多子群多目标定位粒子群算法,通过动态分配每组的粒子个数以提高粒子群算法的效率。针对多目标跟踪问题,研究了一种可跟踪多个相邻目标的多子群自适应方法。当多个目标相距较远时,每个子群仅对单个目标进行跟踪;当两个跟踪的目标距离较近时,一个子群负责跟踪两个目标的中心,另一个子群用于防止外围目标逃离粒子的覆盖区域范围。仿真实验中对多只不规则蚂蚁进行定位和跟踪表明了多子群协同粒子群算法的有效性。