在存在杂波、噪声以及来自于目标机动、数据联合和检测的不确定性情况下,跟踪多个机动目标包括联合的估计目标的数目以及它们的状态,这个问题在理论和实践中都是极具挑战性的。势概率假设密度滤波器适用于跟踪多个运动模型固定的目标,但是当目标的运动模型不断变换时,它将不再适用。对于多机动目标跟踪,通过使用多个运动模型的组合来处理目标运动模型的不确定性会得到较好的跟踪结果。在阅读了已有的关于多机动目标跟踪的文献后,本文中将跳变马尔科夫系统(Jump Markov System,JMS)模型与势概率假设密度滤波器结合起来用于解决多机动目标跟踪问题,本文的主要研究内容包括以下两个部分:1.服从线性高斯分布的机动目标跟踪模型下的多模型势概率假设密度滤波算法研究。主要是通过使用最佳匹配高斯逼近(Best Fitting Gaussian,BFG)方法对多模型目标强度函数进行逼近,从而使多目标强度函数独立于目标的运动模型,因此将多模型机动目标跟踪问题转化为单模型机动目标跟踪问题,然后可以利用单模型势概率假设密度滤波算法对多个机动目标的状态和个数进行联合估计。2.服从非线性非高斯分布的机动目标跟踪模型下的高斯和多模型势概率假设密度滤波算法的研究。主要是使用高斯和近似方法对非线性非高斯系统跟踪模型进行线性化近似,然后利用多模型技术与非线性高斯和势概率假设密度滤波器结合起来跟踪多个非线性机动目标。文章中分别给出了多机动目标跟踪的多模型势概率假设密度滤波器在线性和非线性条件下的高斯混合实现过程,并通过仿真实验对算法的性能作出分析评价。