作为计算机视觉、图像处理和模式识别领域最活跃的研究方向之一,目标跟踪技术在军事、安全监控、人机交互和机器人等多种领域都有着极其重要的应用价值。目前,国际上目标跟踪技术中,粒子滤波器是最常用的方法之一。作为一种优秀的目标跟踪算法,它不但有效解决了非线性非高斯系统下的目标跟踪问题,而且实现简单,使用灵活。但现有的粒子滤波算法也存在着一定的不足:一是观测模型鲁棒性不高,利用单一颜色特征对目标建模易受场景中光线变化和相近颜色物体的不利影响;二是粒子退化问题,重采样过程虽然一定程度上解决了粒子退化问题,但同时又造成了粒子匮乏,导致跟踪精度下降。多智能体技术是基于分布式人工智能(Distributed Artificial Intelligent, DAI)而产生的,其涉及到的人类智能活动的社会性和由社会互动而产生的集体智慧,突破了传统人工智能存在的局限,为计算机应用提供了一种新的问题解决方法。针对粒子滤波算法在目标跟踪中存在的问题,本文主要做了以下三个方面的工作:1.提出了一种多特征融合的目标建模方法。在目标颜色特征的基础上,再引入目标的LBP特征,然后融合这两种特征建立目标模型,增加了描述目标的观测信息,提高了观测模型的鲁棒性;2.基于粒子滤波建立了跟踪智能体模型。把传统粒子滤波器中的粒子看成智能体,重新定义智能体生存的局部环境和进化行为,使粒子成为具有局部感知、竞争协作和自学习能力的智能体;3.提出一种基于多智能体协同进化的粒子滤波目标跟踪算法。把多智能体协同进化机制引入到粒子滤波器的重采样过程中去,通过粒子间的竞争、重组合、迁移以及自学习等进化行为来实现重采样过程,在保证了粒子有效性的同时还增加了粒子的多样性,实验结果表明该算法具有较高的准确性与鲁棒性。