目标检测与跟踪在军事跟踪、电力系统故障检测、日常生活中有着广泛的应用。常见的目标检测与跟踪方法有:帧间差分法、背景差分法、光流法、均值漂移法、卡尔曼滤波算法等。但是对于处理复杂背景下的微弱目标,以上算法都有一定的弊端。复杂背景微弱目标视频中,通常具有背景动态性高、噪声强的特点,不适合使用对背景要求较苛刻的背景差分法和帧间差分法;光流法对噪声、遮挡、光线和透明度等因素敏感度过高,导致无法正确计算出光流场;均值漂移法处理低信噪比视频的结果不是很理想,若目标偶尔被完全遮挡,则不能跟踪到目标;卡尔曼滤波(Kalman Filter,KF)算法适合在线性高斯系统中使用,而现实中很多背景具有明显的非线性非高斯特征。粒子滤波器(Particle Filter,PF)是一种基于贝叶斯递推后验概率理论的序贯蒙特卡罗方法。其原理是使用一系列随机抽取的粒子来代替状态的后验概率分布,适用于检测非线性非高斯背景下的目标。但是传统PF算法的重要性分布函数没有用到新的观测信息,增加了估计的误差。结合了无迹卡尔曼滤波算法(Unscented Kalman Filter,UKF)与PF算法的无迹粒子滤波器(Unscented Particle Filter,UPF)在重要性采样过程中用到了最新的观测信息,使产生的预测粒子更接近于系统真实的后验概率分布。但是本文中实际采集的紫外电晕视频信噪比低,仅有灰度信息;目标的位置不能在单独一帧中观测到,需要观察连续的几帧图像才能确定目标的位置。这使传统的UPF算法不能满足本文的应用背景。由于电晕目标的视频只有灰度信息,UPF算法在计算粒子权值时利用的信息过少,导致权值计算不够准确,进而使得跟踪目标不准确。本文针对此缺陷对UPF算法进行了改进:无需人工指定目标区域,而是使用线扫描方法在二值化后的图像中提取包含目标和噪声的候选目标;将目标速度的限制考虑在内,采用灰度直方图来计算粒子权重。另外,传统PF算法和UPF算法都不能处理目标被遮挡的情况,本文在算法中加入了目标遮挡判断,对遮挡的目标进行了处理。设计出一种基于改进型UPF算法的微弱目标检测跟踪新方法。通过分别比较传统PF算法、UPF算法和改进的UPF算法的检测与跟踪结果,可以发现本文中改进的UPF算法在目标被遮挡后再次出现时能够准确跟踪出目标位置,在准确性和鲁棒性方面比传统PF算法和UPF算法也有所提高。最后分析了本文算法的不足之处,对论文进行了总结与展望。