现实世界中的随机动态系统大都是非线性非高斯的,因此非线性滤波问题是极为普遍的,许多领域都涉及到,目标跟踪是其重要应用之一。目标跟踪是基于具有不确定性测量的传感器数据,对来自未知目标的运动学特征做出估计。近年来粒子滤波,也称序列Monte Carlo方法,在目标跟踪方面得到广泛关注,其原因可以理解为这种方法的简洁性、处理复杂情况的鲁棒性及易操作性,更重要的是它对非线性非高斯估计问题的强大处理能力。这种非线性滤波技术是一种基于仿真的数值方法,其利用离散隐马尔可夫链建模,通过系统模型描述目标未知状态随时间的演化规律,通过测量模型把可利用的目标观测值与状态联系起来,并鉴于过去和目前的测量值,在先验信息已知的基础上,进行预测和更新,提供一个目标状态的近似分布。本文对基于贝叶斯框架下的序列Monte Carlo方法及目标跟踪原理进行了综述,对粒子滤波的改进方法进行了全面的概括,分析了粒子滤波方法的收敛性,其收敛特性保证了收敛率独立于状态空间的维数,而且是Lp收敛的。通过仿真实验,表明了对于线性高斯系统,精确的估计方法比粒子滤波的跟踪效果要好;但对于非线性非高斯模型,粒子滤波具有较大的优势,可以显著提高滤波的效果,并应用语音增强的实例进行了比较说明。针对多传感器目标跟踪问题,本文论述了数据融合技术,提出了一种交叉传感器交叉特征(CSCM)数据融合算法,可以对种类不同、模型不同的多个传感器数据进行融合,并应用粒子滤波来进行非线性估计,完成一移动机器人目标跟踪任务,为准确地定义目标位置的状态,我们分别采用最佳粒子、加权均值和鲁棒均值三种估计方法,并对三种基本的重采样策略进行了比较,实验结果证明了这种数据融合算法的可行性和有效性。在视觉跟踪方面,本文论述了视觉跟踪技术、摄像机系统以及颜色分布的相关内容,提出一种基于颜色直方图的粒子滤波算法用来跟踪运动目标,所提出的方法可以处理旋转、尺寸变换和光照条件的变化以及目标的部分遮挡等问题,从而可以鲁棒地跟踪目标。这种方法是把颜色直方图结合到粒子滤波的观测模型中,应用二阶自回归模型作为系统模型,跟踪的目标既可以是刚性目标,也可以是非刚性目标,并且跟踪算法可以实时实现。针对复杂背景环境下的多目标跟踪问题,本文论述了主要的数据关联技术,将目标检测算法和粒子滤波结合起来,利用颜色直方图作为观测模型,利用GNN算法进行数据关联,提出了一种基于粒子滤波的多目标跟踪算法,实现了视频场景中的多个目标跟踪。该算法对目标在场景中的频繁出现和消失、相似外表、交叉运动和短暂遮挡等有较好的处理效果。关于粒子滤波目标跟踪的性能评价方面,本文提出了定量化的解决方案,以度量跟踪算法的品质。这种方案以精度和召回率为理论基础,相互补充,可以对视频目标跟踪的性能作出较合理的判断,通过设计实验,我们可以选择出最佳的参数,虽然所有的实验是在单目标跟踪的环境下完成的,但可以推广到多目标跟踪的场合。