Los filtros de partículas han sido ampliamente utilizados en el seguimiento de objetivos pequeños y tenues, lo cual desempeña un papel significativo en aplicaciones de navegación. Sin embargo, sus características, como la dificultad para expresar rasgos de objetivos pequeños y tenues y la falta de diversidad de partículas causada por el re-muestreo, conllevan un impacto considerablemente negativo en el rendimiento del seguimiento. En el presente artículo, proponemos un algoritmo de filtro de partículas de re-muestreo mejorado basado en la fusión adaptativa de múltiples características para abordar las desventajas de los filtros de partículas en el seguimiento de objetivos pequeños y tenues y mejorar el rendimiento del seguimiento. Primero establecemos un modelo de observación basado en la fusión adaptativa de las características de la intensidad de escala de grises ponderada, la información de bordes y la transformada wavelet. Luego generamos nuevas partículas basadas en el re-muestreo residual mediante la combinación de la posición del objetivo en el fotograma anterior y las partículas en el fotograma actual con pesos más altos, mejorando simultáneamente la precisión del seguimiento y la diversidad de partículas. Los resultados experimentales demuestran que nuestro método propuesto logra un alto rendimiento de seguimiento con una precisión de distancia del 77.2% y una velocidad de ejecución de 106 fps, respectivamente, lo que significa que tendrá una perspectiva prometedora en aplicaciones de seguimiento de objetivos pequeños y tenues.