多机动目标跟踪的任务是在噪声、杂波等的干扰下对机动目标的数目与状态进行估计。跟踪多机动目标和估计时变的目标数一直是学术界的研究热点与难点。传统的基于数据关联的多机动目标跟踪算法计算量大,在实际应用中受到了限制。基于有限集统计学的多目标贝叶斯滤波器突破了数据关联的难题,引起了越来越多研究者的兴趣。概率假设密度滤波器(PHD滤波器)是多目标贝叶斯滤波器的一种近似实现,然而,PHD滤波器却难以把距离很近的目标区分开来,这一问题使PHD滤波理论在应用于多机动目标跟踪时受到了制约。针对这一问题,我们提出了适用于跟踪多机动目标的边缘分布贝叶斯滤波器,论文的主要内容如下:1)介绍了有限集统计学理论、基于有限集统计学的多目标贝叶斯滤波器以及PHD滤波器。有限集统计学为多目标跟踪算法提供了统一的、科学的数学基础。基于有限集统计学的多目标贝叶斯滤波器在递归过程中传递的是多目标状态的联合分布。PHD滤波器是多目标贝叶斯滤波器的一种近似实现,它传递的是联合分布的一阶矩。2)研究了一种传递边缘分布的多目标贝叶斯滤波器。在此基础上,推导了一种适用于线性高斯系统的边缘分布贝叶斯滤波器。边缘分布贝叶斯滤波器使用存在概率描述各个目标的不确定性,它在递归过程中传递的是各个目标状态的边缘分布及其存在概率。仿真实验验证了边缘分布贝叶斯滤波器在存在杂波以及目标出现与消失环境下的多目标跟踪能力。3)为解决线性高斯系统的多机动目标跟踪问题,在边缘分布贝叶斯滤波器的基础上,我们结合交互式多模型算法与跳变马尔科夫系统模型,提出了两种适用于跟踪多机动目标的边缘分布贝叶斯滤波器。一种是交互式多模型边缘分布贝叶斯滤波器;另一种是跳变马尔科夫系统模型边缘分布贝叶斯滤波器。仿真实验表明两种滤波器均能在存在杂波与噪声的环境下对多机动目标进行稳定、精确地跟踪。同时,我们还通过仿真实验分析了这两种滤波器的适用范围。