视觉目标跟踪技术在智能监控系统、增强现实、模式识别和机器学习等领域有着广泛的应用，成为了计算机视觉领域研究热点之一。行人跟踪是视觉目标跟踪技术的核心研究内容，但由于人体姿势变化和运动方向的不确定性、光照的剧烈变化、相互遮挡及背景遮挡等因素的影响，使得低质量视频环境下行人跟踪还面临着许多问题。因此，研究鲁棒性强的外观模型以及准确、智能、实时的行人跟踪算法对视觉目标跟踪效果具有十分重要的意义。　　本文以低质量监控视频多人跟踪算法的鲁棒性作为研究对象，提出了一种基于卡尔曼粒子滤波框架的鲁棒多人跟踪算法。在外观模型提取阶段，颜色直方图特征是常用的外观模型提取方法，但颜色直方图特征过于单一，且易受到光照变化以及相似颜色的干扰，降低了外观模型提取的准确度，从而影响了跟踪效果。针对上述问题，提出了改进的颜色特征，降低光照变化给外观特征带来的干扰。此外，在颜色特征的基础上融合了纹理特征，以减少相似颜色的干扰，提高了外观特征提取的准确度以及跟踪算法的鲁棒性。在行人跟踪阶段，针对行人运动的非线性和非高斯性，采用粒子滤波作为跟踪器。然而在行人相互遮挡及背景遮挡的情况下，无法准确提取行人当前外观模型，易出现目标跟丢的现象。针对上述不足之处，引入了卡尔曼粒子滤波方法，当遮挡现象发生后，利用卡尔曼滤波估计辅助跟踪。通过卡尔曼滤波最优估计得到行人当前位置，从而消除遮挡时无法有效提取外观模型的影响，提高了跟踪算法的鲁棒性。　　最后，对比传统粒子滤波算法，本文分别在光照剧烈变化、相互遮挡及背景遮挡情况下进行了实验。最终通过实验证明所提出的算法比传统粒子滤波算法具有更高的鲁棒性及跟踪精度。