粒子滤波方法和图像跟踪技术都是当前研究和应用的热门课题。本文主要基于粒子滤波方法,研究其在不确定参数系统和图像跟踪中的应用,目的是提高粒子滤波算法在这些领域内应用的可靠性和稳健性。本文的研究工作主要包括:(1)回顾了贝叶斯滤波理论的发展,介绍了粒子滤波方法的基本原理。回顾了图像跟踪技术的发展,通过仿真实验,展示了粒子滤波方法在状态估计和图像跟踪中的应用。(2)为解决粒子滤波参数估计容易收敛于局部解的问题,提出了基于似然权值的粒子滤波参数估计方法。通过在传统粒子滤波状态估计方法的基础上,使用EM方法来递归更新状态模型中未知参数的值。针对在线EM算法中,步长序列过于单一,使在线EM算法收敛缓慢并很容易收敛于局部最优解的问题,在EM算法更新参数值的同时,融合最新的参数估计值信息,通过计算更新参数的似然值来动态更新步长序列,仿真实验表明算法能更快的收敛到全局解。通过在图像跟踪算法中,使用参数动态变化的运动模型,利用本文提出的算法估计模型参数的变化,有效的解决了固定运动模型中,由于目标运动复杂而不能产生有效的预测粒子的问题。(3)为了解决复杂场景中目标跟踪鲁棒的问题,提出了基于SIFT特征的混合观测模型粒子滤波图像跟踪算法,通过混合使用SIFT特征和颜色直方图特征,避免了单一颜色直方图信息在周围存在颜色分布相似目标干扰的情况下,容易被干扰目标吸引的缺点。同时避免了在目标经历较大变化(如大幅度的旋转),SIFT特征点匹配数较少的情况下,无法完成目标跟踪的问题。SIFT特征和颜色直方图特征的融合,实现了特征信息的互补,提高了跟踪算法的鲁棒性。实验结果表明,所提算法对部分遮挡,存在相似目标干扰及目标经历复杂运动的场景下均能较好的跟踪目标。