多目标跟踪(MTT)是一个重要的理论和实践问题。最近几十年来,国内外众多专家学者对它进行了深入的研究,取得了丰硕的成果,这些成果在空中侦察与预警、弹道导弹防御、战场监视等军事领域,以及空中交通管制、智能车辆系统、交通导航、机器人视觉等民用领域都得到了广泛的应用。然而,随着技术的不断发展,现代跟踪环境的显著变化,各种应用系统对多目标跟踪提出了日益复杂的要求,原有的目标跟踪理论和方法也面临着新的挑战。因此,在最新统计学习理论发展的基础上,研究多目标跟踪的理论与方法具有重要的理论和现实意义。近年来,基于随机有限集(RFS)的多目标跟踪方法颇受关注。该方法将目标状态集合和传感器测量集合分别建模为随机有限集合。这样,通过RFS理论,杂波环境下的多目标状态估计问题可描述为贝叶斯滤波问题,从而可以避免传统的多目标跟踪方法中的数据关联过程。本学位论文正是围绕基于RFS的多目标跟踪方法进行了深入的研究,主要的研究成果如下:一.未知杂波环境下的多目标跟踪问题现有绝大多数的多目标跟踪算法均需要假设杂波模型已知。而在很多实际问题中,由于受众多干扰影响,杂波模型可能变得未知。针对此问题,本文提出了一种未知杂波环境下基于概率假设密度(PHD)滤波器的多目标跟踪算法。该算法首先利用有限混合模型(FMM)拟合未知的杂波分布。期望最大化(EM)算法和马尔科夫链蒙特卡罗(MCMC)算法分别被用于估计该混和模型的元素参数。然后,根据拟合得到的杂波分布模型,PHD滤波器可用于估计未知杂波环境下的多目标个数和状态。仿真试验表明本文建议的方法在杂波模型未知时仍可以正常工作,并且它的多目标个数和状态估计精度比原始的未进行杂波模型拟合的PHD滤波器有显著提高。二.部分可分辨条件下的群目标跟踪问题以前的群目标跟踪算法大多都需要假设构成群的个体目标是完全可分辨,在该假设条件下对群目标的跟踪可首先转化为对群内的个体目标分别进行跟踪。但是在实际问题中,由于传感器分辨率不充分,群内的个体目标可能是部分可分辨的。这时上述算法无法继续使用。因此,本文提出了一种基于序贯蒙特卡洛PHD(SMC-PHD)滤波器的部分可分辨的群目标跟踪算法。该算法可直接获得群的整体而非群内个体目标的个数和状态估计。这里群目标的状态包括群的质心状态和形状信息。为了估计群目标的个数和状态,该算法利用高斯混合模型(GMM)拟合SMC-PHD滤波器中经重采样后的粒子分布,这里混合模型的元素个数和参数分别对应于群目标的个数和状态。同样,EM算法和MCMC算法分别被用于估计GMM的参数。GMM的元素个数可通过删除、合并及分裂算法得到。仿真试验表明该算法可有效跟踪部分可分辨条件下的群目标,并且相比EM算法,MCMC算法能够更好地提取群目标的个数和状态。三.多模型PHD(MM-PHD)平滑器对于杂波环境下多个机动目标跟踪问题,由于目标个数未知、目标和测量的对应关系未知、目标运动模型未知、杂波干扰以及传感器测量噪声等众多因素的影响,导致现有的MM-PHD滤波器通常很难得到满意的估计效果。因此,本文将MM-PHD滤波器和平滑算法相结合,提出了一种针对杂波环境下多个机动目标跟踪问题的MM-PHD前向-后向平滑器。为了避免引入复杂的随机有限集理论,我们根据PHD的物理空间描述法推导得到了MM-PHD平滑器的后向更新公式。由于MM-PHD前向-后向平滑器的递推公式中包含有多个积分运算,因此它在非线性非高斯条件下没有解析的表达形式,故本文又给出了它的SMC实现。仿真实验表明,与已有的MM-PHD滤波器相比,MM-PHD平滑器能够更加精确地估计多个机动目标的个数和状态。四.多个“非配合”目标跟踪和传感器空间配准问题现有的多传感器空间配准算法均要借助于传感器对空间共同(即配合)目标的测量进行,但当监控区域内存在多个“非配合”的目标(即目标与传感器测量的关联关系未知)和杂波时,现有的空间配准算法均无法直接使用。针对此问题,本文提出了一种基于PHD滤波器的多个“非配合”目标跟踪和多传感器空间配准算法。该算法可以避免复杂的数据关联过程而直接对多目标的个数和状态以及各个传感器的测量偏差同时进行估计。随后本文又给出了它的SMC实现。仿真结果表明,由于本文建议的方法可以较好地估计和补偿多个传感器的测量偏差,因此它的多目标个数和状态估计精度明显优于原始的未进行传感器配准的PHD滤波器。