随着雷达、声呐、红外、光电等传感器技术以及计算机硬件技术的飞速发展,多目标跟踪(Multi-target Tracking,MTT)在诸如空中交通管制、监视、导弹防御、自动驾驶、计算机视觉、生物医学、海洋学等领域的应用日益广泛。在未知且动态的复杂场景下,如何维持算法的有效性是MTT领域中的重点和难点。传统的贝叶斯MTT滤波算法主要基于数据关联的思想,即对目标和量测进行假设关联。当目标数目和量测数目较多时,关联复杂度急剧增加,严重影响了算法的适用性。随着随机有限集(Random Finite Set,RFS)理论的引入,传统滤波算法中的数据关联难题得到了有效地解决,使得MTT方法可以针对未知变化场景下的跟踪问题进行更为深入的研究。本论文在贝叶斯滤波框架下,针对基于RFS理论的跟踪算法,分别研究了未知新生环境、未知机动场景、未知杂波环境和未知检测概率环境下的参量建模问题,论文的主要内容和研究成果如下:1.研究了目标新生信息未知条件下的新生强度建模问题。未知新生密度模型通过当前时刻量测信息建模目标可能出现的区域,使得算法能够适应未知的目标新生。然而,由于没有考虑目标新生期望的分配问题,导致模型精度下降。为此,在势均衡多目标多伯努利(Cardinality Balanced Multi-target Multi-Bernoulli,CBMeMBer)滤波框架下,本文提出了一种改进的未知新生密度跟踪算法。该算法通过当前时刻存活目标的预测信息构造分配函数,对目标新生期望进行更为合理的分配,从而提升未知新生模型的准确度。仿真结果表明,改进算法在未知的目标新生环境下具有良好的跟踪精度。2.研究了目标的新生概率建模问题及新生模型导致的算法实时性下降问题。在已有的新生模型中,先验已知且固定的目标新生期望数与实际情况相去甚远,因此无法得到准确的目标新生概率模型。针对此问题,提出了预处理步骤,通过当前时刻已知信息修正目标新生期望数,从而得到更为准确的新生概率模型。另一方面,相较于传统新生模型,未知新生模型的建模过程更为复杂,包含了更多的目标新生分量,在更新过程中增加了大量的似然计算,导致算法实时性下降。为此,提出了一种基于量测噪声的门限方法,通过削减大量无用量测似然提高了算法的运行效率。仿真结果表明,该方法在捕捉目标新生的同时,具有良好的跟踪精度和运算实时性。3.研究了机动场景下的未知运动模型参数建模问题。当目标运动模型参数发生突然变化时,交互多模型(Interacting Multiple Model,IMM)MTT方法难以对目标的机动进行匹配,除非对目标的运动模型集进行扩充以涵盖所有可能发生的参数变化,然而这样的处理方式缺乏效率。为此,本文提出了一种基于LW(Liu and West)滤波的未知参数估计方法,利用前一时刻粒子匹配突然变化的参数,并将此方法引入CBMeMBer滤波中实时估计运动模型,从而匹配目标的实际机动。仿真结果表明,此未知运动模型参数滤波算法适用性更强,在未知机动场景中具有良好的跟踪精度。4.研究了未知杂波率势概率假设密度(Cardinalized Probability Hypothesis Density,CPHD)滤波中的势分配失衡问题和未知检测概率滤波中的检测概率估计时延问题。由于更新漏检部分分式结构特殊,未知杂波率CPHD滤波在并行处理杂波“伪目标”和真实目标时会出现预测信息混合,从而导致杂波和目标势分配失衡。CBMeMBer滤波的更新漏检部分仅包含预测函数和漏检概率,不包含导致预测混合的特殊分式,因此将该杂波处理方法在CBMeMBer滤波框架下实现,可避免此势分配失衡问题。未知检测概率滤波通过贝塔分布拟合检测概率,其当前时刻估计值并不参与当前时刻的滤波运算,这就导致了时延的出现。为此,将联合估计与滤波算法拆分为两步,先通过贝塔分布结合当前时刻信息完成对检测概率的实时估计,再将估计值带入正式滤波运算中完成对目标状态的更新,从而避免滤波时延。仿真结果表明,未知杂波率CBMeMBer滤波修正了原算法中的势分配失衡问题,具有更好的跟踪精度。改进的未知检测概率滤波修正了检测概率估计中出现的时延问题,在信息积累阶段对检测概率估计和目标跟踪精度的提升尤为明显。以上四部分内容相辅相成,互相联系,为解决复杂场景下的多目标跟踪问题,提供了新的思路和相应的技术支撑。