针对室内说话人实时定位跟踪不准确的问题，提出了一种基于TMS320DM6437硬件平台的音视频融合定位跟踪方法。该方法利用Kalman滤波器和Mean-shift算法搜寻说话人最优位置进行视频定位跟踪。同时，采用到达时间差的音频方法进行目标位置估计。由Kalman信息整合中心进行音视频融合，以提高视听系统定位跟踪的稳定性。实验结果表明，与单模态定位跟踪系统相比，该方法对320×240的图像可实现平均20 frame/s的跟踪速度，能提高目标定位跟踪准确度17%，改进效果明显且稳定。