多传感器信息融合技术是一门新兴的交叉学科，是将多源信息进行综合处理，以获得比单一传感器更优的性能。多传感器信息融合系统已广泛应用到军事和诸多民用领域，其在目标跟踪领域的典型应用是多传感器目标跟踪技术，该应用已成为当今科学研究的热点之一。论文首先系统地介绍了信息融合的理论基础、研究意义、发展现状，并讨论了信息融合的功能模型、结构模型等。其次研究讨论了多传感器目标跟踪中基本原理、目标模型的建立、跟踪门的形成、数据关联技术、跟踪起始与终结等关键技术。本文重点研究了目标跟踪中用于处理各种线性和非线性模型的最优及各次优滤波算法，包括卡尔曼滤波，扩展卡尔曼滤波，无迹卡尔曼滤波和粒子滤波算法。目前大部分的研究都是对单目标跟踪进行滤波估计，本文不仅使用不同滤波算法对单目标的线性或非线性非高斯状态进行跟踪预测，而且对多个目标的运动状态进行（强）机动以及轨迹交叉等设置，然后采用不同的滤波算法对多目标的运动状态进行滤波估计，通过蒙特卡洛仿真验证了这些滤波算法能够提高目标的跟踪精度，并且分析比较了这几个算法的优缺点及适用场景。目标运动形式的复杂性以及环境干扰使得目标运动模型表现出多样性，为了解决此问题，研究分析了交互式多模型算法，并且结合Bar-Shalom提出的概率数据互联算法，将其引入到多传感器系统中提出了多传感器交互式多模型—概率数据互联算法，通过仿真验证了该算法对强机动运动目标具有较好的跟踪效果，提高了目标跟踪精度。最后总结了本论文的研究工作，并展望今后工作的研究方向。