随着多目标跟踪技术的不断发展,在交通管制、行人安全、周边监制等领域需要对行人目标进行跟踪,因此行人建模技术被提出。以往的解决方案对行人建模是使用独立运动学模型,这种情况将行人视为质点,没有集成多个行人之间相互依赖的问题。为了解决该问题,本文研究了社会力(Social Force,SF)模型,实现了行人在现实复杂情况中的建模。在该模型中行人不仅仅是独立的质点,还被看做是具有心理属性、环境属性、速度属性等特征的独立实体,行人的运动跟环境中的其他对象有相互依赖的关系,运动轨迹会受到个人意志力、其他人的行为、周围障碍物及其预定目的地的影响。在多目标追踪过程中,随着跟踪环境的复杂度逐渐增加,对跟踪滤波器算法的性能也有更高的要求,特别是在目标运动轨迹的管理方面。针对此问题,delta广义带标签多伯努利滤波器(delta-Generalized Labeled Multi-Bernoulli Filter,δ-GLMB)被提出,该滤波器引入了带标签随机有限集理论(Labeled Random Finite Set,LRFS),为跟踪目标引入了唯一的标识。但是δ-GLMB滤波在迭代中会产生多组分量,导致计算复杂度增大。为了减小计算量和提高滤波效率,本文使用带标签多伯努利滤波器(Labeled Multi-Bernoulli Filter,LMB),该LMB滤波器是使用轨迹分组与合并分量等近似方法来降低运算量,减小了迭代的数值量。在本文中,将社会力模型集成在带标签多伯努利滤波器中形成一个跟踪滤波器,对该跟踪滤波器进行了算法研究与仿真分析。为了保证跟踪环境的适用性,在基于带标签多伯努利滤波器和社会力模型的行人跟踪算法研究中详细地介绍了两种实现方法,分别是线性环境下的高斯混合(Gaussian Mixture,GM)实现方法和非线性环境下的序贯蒙特卡洛实现方法(Sequential Monte Carlo,SMC)。仿真结果表明在行人跟踪环境下能够获得较高的跟踪精度。