随着计算机视觉理论的发展,图像多目标跟踪作为一个重要分支在军事侦查、城市安防、机器人技术等领域具有广泛的应用价值,是目标行为理解和场景分析等高级图像处理技术的前提。然而,图像多目标跟踪的研究缺乏统一有效的实时跟踪算法框架,无法将图像多目标跟踪诸多方面的研究进行统一,不利于算法性能的提高以及各功能模块的参数化研究。基于随机有限集的贝叶斯滤波框架在雷达目标跟踪领域具有优秀的性能,因此,本文研究基于随机有限集的图像多目标跟踪和轨迹融合方法,旨在提出一个通用的实时图像多目标跟踪研究框架,实现在线的图像多目标跟踪,具有重要的理论意义和工程应用价值。本文围绕着基于随机有限集的在线多目标跟踪算法框架,开展了如下的研究工作:基于带标签随机有限集的δ-GLMB和LMB滤波算法通过产生大量的关联假设,能够在线输出每个目标的轨迹,本文以δ-GLMB和LMB滤波算法为基础,提出了带标签的概率假设密度滤波(简称为LPHD)方法,解决了在目标个数较多时多目标在线轨迹跟踪的实时性问题。通过将每个目标后验状态近似为单一高斯分布,大量减少目标后验状态分布中的高斯项数量,提高滤波过程中关联假设更新的计算实时性,能够保证目标轨迹跟踪精度并大幅减少滤波时间。通过仿真实验对比三种滤波算法,验证了 LPHD滤波算法对点目标跟踪具有优异的跟踪精度和计算实时性。针对图像多目标跟踪缺乏统一算法框架的问题,对适用于点目标的LPHD滤波算法进行拓展,提出LPHD图像多目标跟踪算法。以算法框架的通用性为出发点,采用“矩形框+直方图”作为目标状态描述,分别研究了目标的自适应出生过程、预测过程和更新过程中主要模型和参数的建立。通过与已有的优秀跟踪算法进行对比实验,验证了LPHD图像跟踪算法具备优异的跟踪精度和计算实时性,并结合跟踪实验结果,分析了滤波参数对跟踪性能的影响。为了减轻离线训练的通用检测器对跟踪算法精度的影响,将互相关滤波器作为一种在线检测器引入到LPHD图像跟踪算法中,提出基于互相关滤波的LPHD在线检测跟踪算法。对采用离线检测器的LPHD滤波得到的高权值目标,初始化与其关联的互相关滤波器,在跟踪过程中采用互相关滤波器生成伪观测量以更新目标的状态和特征,并采用基于滤波响应的失效因子判断是否需要移除已经失效的互相关滤波器。与仅采用离线检测器的LPHD图像多目标跟踪算法进行对比实验,验证了在离线检测器效果欠佳时基于互相关滤波的LPHD在线检测跟踪能够提高轨迹保持能力。针对多摄像机目标的轨迹融合问题,结合标定信息将摄像机作为位置传感器,获得多个摄像机观测到的目标位置信息,研究了多传感器LPHD信息融合方法。沿用经典方式分别采用序贯滤波、并行滤波和随机滤波设计了适合用于集中式信息融合的多传感器LPHD滤波算法。同时,为了适应分布式的信息融合,研究了基于信息一致性的多传感器LPHD滤波算法。通过仿真实验验证了这些多传感器LPHD滤波算法的有效性,并结合多摄像机行人轨迹跟踪实验,说明了多传感器LPHD滤波算法能够解决多摄像机目标三维轨迹的集中式融合和分布式融合。