目标跟踪技术是计算机视觉领域的一个研究分支,在军事和民用两方面都有着十分广泛的应用。粒子滤波(PF)作为一种随机性算法,常用于解决目标跟踪问题,它的本质是随机产生一定规模的粒子来估计出问题最优解。在实际应用中为了使目标跟踪算法具有更好的鲁棒性,必须产生大量的假设粒子,这必将带来巨大的计算量。与单目标跟踪相比,基于视频的多目标跟踪系统面临一个更复杂的环境,包括目标数目的不确定性、多目标的帧间关联性、多目标间的遮挡、合并与分裂等。本论文的研究目标是针对多目标跟踪系统中需要解决的多种复杂情况,设计和实现一种基于粒子滤波框架的具有一定鲁棒性、实时性的多目标跟踪算法。为了提高多目标跟踪算法的效率,本文将用于人体姿态跟踪的基于抑制免疫粒子滤波算法扩展到多目标跟踪领域,提出了一个基于抑制免疫粒子滤波的多目标跟踪算法。该算法利用免疫优化算法加快了对状态空间的搜索,同时利用目标关联矩阵,处理多目标跟踪中的遮挡问题。利用基于泊松逆梯度(PIG)的分割算法处理新目标的检测。实验部分以活体动物血管细胞视频序列作为实验数据,分别对本文提出的算法和基于逆梯度变异系数(GICOV)的多假设细胞检测算法进行了仿真验证,并从效果和性能两方面比较了两个算法的实验结果。实验表明,本文的算法在保证跟踪精度的同时具有更好的实时性。