多目标跟踪技术作为计算机视觉领域中的一个研究热点,在社会的各个领域都具有极其广泛的应用前景。与单目标跟踪技术相比,多目标跟踪技术仍需解决更多复杂的问题,包括多目标实时检测、目标交叉或相互遮挡和实时目标数目变化等。粒子滤波算法作为一种具有多模式搜索能力的非线性贝叶斯滤波器,能够在非线性、非高斯空间内寻找次优解,为多目标跟踪技术的研究提供了一个新的视野。因此,本文以粒子滤波算法为理论基础,对多目标跟踪算法进行了相关研究。针对目前基于粒子滤波算法构建的多目标跟踪系统中存在的缺陷,做出了相应的改进,并结合实际应用的要求,提出了一种更有效的新智能多目标跟踪算法。本文完成的工作内容可分为三大部分：首先,对粒子滤波算法理论及其在多目标跟踪技术上的应用进行了学习和研究。针对现有的粒子滤波多目标跟踪算法中存在的缺陷,提出相应的改善方法,并以此构建出一种智能多目标跟踪算法框架。其次,针对多目标检测部分的优化设计问题,本文采用一种HOG+级联Gentle Adaboost检测方法来改善多目标检测的效果。通过实验验证了HOG特征在表征人体特征上的优势,以及Gentle Adaboost在行人检测中展现出的较强稳定性,两者的结合提高了跟踪系统的检测精度。最后,在跟踪部分,对目标运动模型和似然模型进行了优化设计。针对单一特征在复杂跟踪场景内的局限性,提出一种结合分块-积分直方图和LBP特征的多特征融合策略来构建本文算法中的目标似然模型。综上,经实验表明,本文提出的基于粒子滤波器的智能多目标跟踪算法能在实现对目标的智能检测的同时,能较好的适应多目标跟踪环境中出现的目标遮挡、目标交叉和目标形态变化等情况。