视频目标跟踪在现在的日常生活中有着举重若轻的作用,在民用和军事方面都有着很广泛的应用,例如自动驾驶,智能监控以及制导武器等,近年来随着社会科技的飞速发展,越来越多的科学家对于目标跟踪投入了大量的关注,使之快速成为热点研究问题。本文选择性能优越的粒子滤波作为目标跟踪的理论框架,能够较为有效地处理非线性或非高斯的目标跟踪问题。然而在实际应用中该算法仍然面临着光照、角度、尺寸、噪声等因素的制约,因此提升目标跟踪算法的鲁棒性依然是一项具有挑战性的任务。围绕粒子滤波算法中跟踪目标受到相似环境干扰,针对视频目标跟踪中的单特征目标跟踪算法鲁棒性较差的问题,根据特征对于目标鉴别能力的差异性,提出了一种多特征融合的目标跟踪算法。该算法能够根据环境变化对特征有效性的影响,以及不同特征对目标贡献度的不同,动态调节各个特征在算法中的权重,将不同特征后验概率分布中的目标状态进行融合,使其对于目标形变,背景明暗,以及目标部分遮挡等有很好的应对,从而提高跟踪算法的精度和鲁棒性。对于粒子滤波迭代传播过程中出现的粒子退化与匮乏问题,本文采用核函数对传统粒子滤波进行改进,使得算法在目标状态估计后,计算粒子与当前目标状态中心的距离,通过粒子密度平衡因子动态地修正粒子权值,从而在重采样阶段,提升粒子集中信息的准确性,实现对粒子滤波的粒子退化与匮乏问题的有效抑制,提高目标跟踪的稳定性与准确性。将本文提出的多特征自适应融合策略与核函数修正粒子集的改进跟踪算法,在不同跟踪环境下进行实验对比,结果表明相较于传统粒子滤波和现有的融合方法,改进的粒子滤波算法效果有着明显的提升。