该文首先针对传统Singer模型的缺点，提出了一种机动目标的转弯模型，该模型的最大特点是具有大范围机动的适应性，以及在各坐标轴上的解耦.数据关联一直是多传感器/多目标跟踪的核心问题，该文针对多目标/多传感器跟踪中的核心问题——数据关联，研究了一种采用神经网络来估计观测数据来源于某目标的类条件概率的新方法，提出了这种网络的结构，并说明了其稳定性.在中央级数据融合中经常出现的一类通信问题为传感器量测数据的非时间顺序传送.该文提出了一种新的解决该问题的方法，该方法不仅把延迟的传感器数据看成是滤波后目标状态估计的函数，而且在延迟时间内引入了过程噪声，从而更加真实地反映了实际情况.似然比门限检验是经常采用的一种目标信号检测方法.该文从理论上证明了多传感器集中式判决仍然具有似然比判决的形式.该文还证明了当各传感器的量测数据彼此独立时，各单传感器的最优判决仍然具有似然比判决的形式，不过此时的最优门限需要解一个耦合的非线性方程组.同时该文还给出了，当各传感器量测数据相关时，其最优判决函数应满足的一个必要条件，并给出其离散迭代算法.最后，利用正交变换的原理，该论文又提出了一种对两传感器相关量测数据解相关的方法，从而可以继续使用比较简单而成熟的似然比判决形式.