多目标跟踪技术广泛应用于天基预警、弹道导弹防御、视频监控、交通信息管理等军用和民用领域。概率假设密度(PHD)滤波方法是近年来兴起的一类多目标跟踪方法,其依据严格的随机有限集数学理论,能在目标个数不确定的情况下,较为准确地提取目标状态(位置、速度)信息,受到广泛研究。论文的主要工作与研究成果有:1、提出一种权值修正的高斯混合概率假设密度(GM-PHD)滤波多目标状态提取方法。GM-PHD滤波方法在更新高斯分量权值时会出现“一个目标生成多个观测”的情形,导致目标状态的错误估计。因此可通过修正更新后的高斯分量权重值,使其满足“一个目标至多生成一个观测,一个观测源于至多一个目标”的实际条件。同时对原有高斯分量的合并规则加以强化,防止代表不同目标的高斯分量因为过于靠近而合并为一,致使目标状态漏估。2、提出一种免聚类粒子概率假设密度(P-PHD)滤波多目标状态提取方法。P-PHD滤波方法利用一组带有权值的粒子集合表示PHD,通常使用k-means聚类方法从该粒子集中提取目标状态。k-means聚类方法在目标密集的条件下会将不同类别的粒子错误地聚集成一个类,致使状态估计结果出现偏差。通过分解推导粒子更新过程,确定粒子所属观测类别,构建新的粒子集,每个新粒子集与一个目标状态相对应,可免去聚类操作,使得状态估计结果更为准确。3、提出一种基于粒子云混叠的航迹关联方法。利用PHD滤波方法估计出的目标状态不包含身份信息,无法直接建立目标航迹。同一目标在相邻时刻其对应的粒子云有很大部分交集和重叠,故可在原有状态提取的基础上,结合目标运动的连续性,根据相邻时刻估计状态对应粒子云的混叠程度,判断估计状态是否关联,并建立目标航迹。