视频目标跟踪是计算机视觉领域的一个重要分支，它广泛地应用在军事制导、交通监控、医学诊断等多个领域，是当今热门的研究课题之一。本文以粒子滤波方法为跟踪框架，从框架本身和目标特征两个方面展开研究，前者为跟踪算法提供结构支持，而后者则使跟踪算法能够适用于不同的跟踪环境，二者互相补足，共同影响整个跟踪的有效性。　　 本文首先从理论角度介绍了粒子滤波方法的原理、特性、及其在视频跟踪中如何扮演框架角色；然后简单介绍了一个经典寻优方法--均值偏移，该方法将作为优化工具应用在跟踪框架和边缘特征匹配过程中；接下来，本文针对颜色、边缘、轮廓三个经典特征展开论述，介绍了各特征的提取和匹配，以及在跟踪框架下的应用；最后本文将跟踪框架、目标特征、以及各个优化细节整合在一起，得到完整的视频跟踪算法，并通过实验仿真分析和验证了算法的有效性。下面从跟踪框架和目标特征两个方面介绍具体的研究内容和成果：　　 在跟踪框架方面，粒子滤波跟踪框架使用目标的运动模型作为系统状态转移模型，传统的目标速度是通过最近若干帧的速度均值计算得到的，并且基于匀速假设，这样会导致跟踪滞后，本文则对最近若干帧的速度做加权平均，并利用二阶近似的物理运动模型作为状态转移模型，以得到更加符合目标实际运动情况的预测结果。　　 另外，针对粒子滤波计算量大的问题，本文利用均值偏移方法对粒子进行聚类，并将这一过程调整到重采样之前，以实现对粒子位置和权值的双重聚类，不仅提高了粒子表征性能，从而减少算法对粒子数量的要求，而且也降低了传统聚类过程中的权值信息损失。　　 在目标特征方面，本文选择了三种经典特征进行融合以实现高适应性、高鲁棒性的目标跟踪。其中，针对传统的颜色特征相似性度量，本文采用更适用于计算机仿真的计算方法，能够在一定程度上提高匹配精度，并节省计算时间。　　 同时，针对传统边缘特征匹配准确度差的缺点，本文提出一种新的改进方法，它使用一系列灰度级形态学操作优化边缘特征的提取过程，并利用均值偏移方法的局部寻优特性，将目标模型和候选模型的边缘信息校正到各自的稳定状态，然后再进行匹配，这种方法提取出的相似度能够准确反映出候选模型的真实权值分布。并且，针对不同跟踪环境，本文还给出了相应的匹配策略，并得到了较为满意的效果。　　 另外，本文还将轮廓特征引入算法，以进一步提高跟踪性能。最后，通过融合三种特征，得到最终的跟踪结果。实验结果证明，本文算法能够综合各特征的优点，成功实现多种环境下对目标的跟踪，同时，借助粒子滤波框架的预测特性和融合策略，在目标暂时被遮挡或某些特征失效的情况下，仍能实现有效的跟踪。