近些年来,随机有限集（RFS）因其能够避免数据关联的优点迅速成为多目标跟踪领域的研究热点。但以RFS为主的多目标跟踪滤波算法普遍存在被跟踪目标速度未知或预设速度与目标真实速度差异较大时,导致的目标运动状态参数不匹配,目标状态估计不准确的问题。因此本文重点针对RFS框架下几种滤波算法对目标速度参数未知的问题,提出相关速度参数未知估计以及校准的方法。具体研究内容安排如下:首先,研究了多目标滤波以RFS形式通过最优贝叶斯滤波框架在时间上的传递,为降低算法复杂度,给出了一种次优近似滤波算法即概率假设密度（PHD）滤波器。并对几种经典的多目标滤波算法以及目前常用多目标跟踪性能评估办法进行概述。其次,针对高斯混合概率假设密度（GM-PHD）滤波器在目标速度未知或不准确时,目标状态估计性能较差的问题,提出一种基于GM-PHD的运动参数估计组合平滑滤波算法。该算法通过目标状态提取速度信息,经过中值平滑和线性平滑组合处理提升速度估计准确性,然后将速度反馈给GM-PHD滤波器的状态转移方程,提高状态预测精度。仿真结果表明,目标速度未知或不准确时,所提算法能够明显改善GM-PHD滤波器状态估计性能。最后,GM-PHD滤波器中并未涉及目标区分问题,只能对确定的单个目标进行跟踪,针对目标数量较多且密集的场景下进行跟踪检测,同时对多个目标速度参数进行估计的问题,提出一种基于广义标签多伯努利（GLMB）滤波器的未知参数估计算法。将不同时刻的各目标状态位置和速度信息按目标进行对应,则要对多目标中的各个目标做标记进行区分。利用对目标状态中增加的标签变量将同一目标不同时刻下的状态信息进行关联,从而获取各目标状态信息,经平滑算法处理提高各目标速度信息准确度,进而使多目标马尔可夫密度更能真实反映多目标运动模型。仿真结果表明,在速度未知情况下所提算法对线性和非线性场景均可达到良好的跟踪效果,性能优于改进前的GLMB滤波器。