目标跟踪是无线传感器网络(Wireless Sensor Networks,WSN)的重要应用之一,实现准确可靠实时的多目标跟踪(Mult-Target Tracking,MTT)在国防军事、环境监测、安全监控、智能交通等方面具有重要的应用价值。论文以提高目标跟踪系统总体性能为目标,研究WSN-MTT节点任务分配方法、WSN-MTT理论与算法,这对促进网络化测控技术的发展和应用,加强控制、计算机、通信、仪器仪表等学科的交叉具有重要的学术价值。研究工作得到广东省自然科学基金项目(No.9151052101000013)资助。论文从WSN多目标跟踪基本环节入手,分析各跟踪环节与跟踪性能指标的综合影响关系,从WSN-MTT节点任务分配方法、WSN-MTT网内检测级数据融合方法、WSN-MTT目标状态预测跟踪方法等三方面综述国内外研究进展,确定论文的研究内容。主要工作包括:㈠研究WSN-MTT节点任务分配描述问题,提出了基于模糊聚类弹性神经网络(FCM-MEMSOM)和模糊聚类离散粒子群(FCM-DPSO)的节点任务分配两种新方法。指出MTT节点任务分配问题实质是一类约束条件下的聚类、多维组合优化问题。针对WSN-MTT监测区域目标随机出现的情况和WSN-MTT节点任务分配数学模型求解的复杂性,首先基于类间距阈值FCM获取WSN监测区域未知目标数量,分别基于神经元弹性子模感受域动态调整机制、以跟踪性能目标函数作为DPSO的适应值函数指引粒子进化,确定节点最优监测联盟。仿真结果表明,在随机均匀部署节点拓扑情况下,基于FCM-MEMSOM方法的能耗分别较MEM方法、最近邻法降低了7.4~14.5%、18.2~ 27.9%,任务分配时间较MEM方法平均降低了15.2%;基于FCM-DPSO方法的能耗较最近邻法平均降低了7.03%;两种算法均能有效解决WSN-MTT任务分配竞争冲突和竞争冲突时系统能耗增加的问题,保证定位跟踪精度、降低网络能耗,对于WSN节点部署的实际情况更具优越性。㈡提出一种基于核密度估计、非参数置信传播的WSN网内检测数据融合算法(KDE-NBP)。详细分析WSN运动目标监测过程,充分考虑WSN-MTT系统存在的随机噪声干扰、节点感知脆弱性、网络传输影响、现实应用环境不确定性等难以避免的因素,利用KDE仅从采样数据本身出发、能逼近任意形式密度分布的特性,实现WSN-MTT系统采样数据的精确表征;利用NBP处理分布信息的特点,对多传感器协同监测信息进行汇集、高斯混合、Gibbs采样融合,克服突发干扰,实现WSN网内检测数据的高精度融合。仿真结果表明,基于KDE-NBP的WSN网内数据融合方法融合精度较FCM、SAWDA方法的融合精度平均分别提高21.3%、67.1%,适合具有不确定性的WSN分布系统。㈢提出基于概率图模型、正则化粒子滤波的WSN-MTT算法(PGM-RPF)。利用PGM解决目标运动过程不确定性因素的能力,把WSN-MTT目标运动看作是一个马尔可夫过程,建立目标跟踪MRF模型,构造目标状态概率分布函数,把目标状态预测问题转化为MRF模型隐含结点的概率推断问题;利用NBP处理分布信息的特点,通过NBP融合联盟节点及其它关联信息,实现目标状态相关数据的高精度融合;通过核密度估计理论把后验分布从离散分布形式转换为连续密度分布形式,使RPF能从连续分布而不是离散分布中进行重采样,克服PF权值蜕化、粒子丧失多样性的问题,提高算法追踪某些具有极低权值状态的能力,实现WSN-MTT目标状态的精确预测和多目标的精确跟踪。仿真结果表明,基于PGM-RPF的WSN-MTT算法跟踪精度较FCM-EKF、FCM-PF算法平均提高了54%和17.0%,并消除失跟现象,PF、RPF算法在强非线性动态模型和多模态观测模型中的滤波性能远远优于EKF算法。㈣对WSN-MTT节点任务分配、网内检测级数据融合、目标状态预测等多目标跟踪环节进行总体试验,检验所提节点任务分配与MTT方法的性能,可以达到良好的整体跟踪效果;基于搭建的WSN-MTT试验平台,通过WSN网络获得目标实测数据,实测数据经WSN网络传送到与网关节点相连的PC上,由PC完成相应的算法。实验结果表明,PGM-RPF方法的位置预测误差平均为1.27m,相比FCM-PF方法平均降低了26.1%。实验验证了所提算法的有效性。结合石化企业监控需求,初步构建基于WSN的石化硫磺回收装置员工跟踪监控系统;基于WSN的员工监控系统,系统硬件需求低、实现简易,可给管理和工作人员提供可靠的信息,保证人员的安全和规避事故的发生;如果在节点硬件性能、网络协调、远程接入等方面进行改进,在地面复杂环境和特殊应用场合的监测跟踪等领域有广阔应用前景。