近年来,随着交通智能化管理需求地快速增长,智能交通系统受到人们的广泛关注。车辆跟踪技术作为智能交通系统中的重要组成部分,能够自主实现对车辆运动方向、轨迹辨识和追踪,极大地提高了交通管理的智能化水平。然而实际交通场景中存在较多干扰因素,如光照变化、车辆遮挡、车辆姿态及尺度变化等,影响车辆跟踪的精度和稳定性。因此,如何实现复杂交通场景中车辆的准确跟踪,具有非常重要的研究意义。本文在深入研究粒子滤波目标跟踪算法的基础上,结合交通场景中车辆跟踪的应用需求,分析粒子滤波目标跟踪算法的优缺点,从多特征观测模型与优化粒子状态空间分布的角度对算法进行改进。论文主要工作如下:(1)针对采用单一颜色特征的粒子滤波车辆跟踪算法跟踪精度较低,鲁棒性较差,难以适应复杂跟踪场景等问题,提出了一种多特征自适应融合粒子滤波车辆跟踪算法。通过提取目标颜色特征与LBP纹理特征,采用自适应融合策略构建多特征观测模型,增强特征表达能力,提高复杂环境下目标跟踪的稳定性;同时,制定目标模板更新策略,以适应跟踪过程中目标状态的变化。实验表明,多特征自适应融合粒子滤波车辆跟踪算法能够兼顾目标整体及细节信息,避免了单一特征场景依赖性强的问题,跟踪性能优于基于颜色特征的粒子滤波车辆跟踪算法。(2)针对粒子滤波算法普遍存在的粒子退化问题,采用改进的插值飞蛾扑火算法对采样过程进行优化,结合多特征自适应融合粒子滤波车辆跟踪算法,提出了一种插值飞蛾扑火优化多特征粒子滤波车辆跟踪算法。该算法根据最新观测信息不断调整粒子分布,使低权值层粒子向权值较高的区域移动,增强粒子质量,避免样本退化。实验表明,本文算法能够有效降低状态预测所需的样本粒子数,提高算法的跟踪性能,在目标发生遮挡、光照、姿态及尺度变化等干扰下仍然能够准确、稳定、实时地跟踪目标车辆。