近年来,分布式信号处理技术迅速发展,通过实现网络中每个传感器的本地处理和相邻传感器之间的通信,提高了网络的可扩展性和灵活性。目标跟踪作为信号处理领域的热点问题之一,已经被广泛应用于许多实际工程领域。因此,基于传感器网络的分布式自适应目标跟踪算法具有很大的发展空间和很高的学术研究价值。分布式粒子滤波算法(Distributed particle filtering algorithms,DPFs)作为最有前途的解决大型传感器网络中非线性系统的目标跟踪问题的方法之一,一直备受关注。本文分别从分布式目标跟踪算法和自适应组合系数两个方向开展研究,具体内容主要包括如下三个方面:1)针对如何在DPFs的跟踪性能和计算复杂度之间实现权衡的问题,提出了一种基于时延和多普勒的分布式重采样高斯粒子滤波直接跟踪算法(Distributed Resampling Gaussian particle filtering,D-ReGPF),实现了一种基于异构网络的分布式粒子滤波算法。通过预先设定容许误差参数来自适应网络中每个传感器的粒子数,进而获得期望的跟踪性能,相对于D-GPF,具有更高的灵活性和鲁棒性。进一步,针对粒子数自适应算法中潜在的粒子数激增问题,提出了一种可变容器尺寸的方案,通过限制粒子数的上下限,并根据随时间变化的局部后验分布来调整容器尺寸,从而有效地缓解了滤波初期粒子数的激增。2)针对传统的基于重要性采样的粒子滤波算法需要构造建议分布和重采样过程等问题,提出了一种分布式协同反馈粒子滤波算法(Distributed Collaborative Feedback Particle filtering,D-FPF),利用协同反馈结构实现粒子更新,从而不需要再构造建议分布和重采样等过程。与经典的D/DPF相比,即使在采用很少的粒子数的情况下,D-FPF算法也可以实现更好的跟踪性能和粒子方差性能。3)针对分布式扩散策略中现有的静态组合系数对网络中信号和噪声统计量的空间变化的鲁棒性差的问题,提出了一种组合系数在线优化方法(Nonnegative Adaptive Combiners,NAC),明确地对组合系数施加了非负约束,并给出了最优组合系数的闭式解和自适应解。仿真实验验证了,与现有的静态组合系数方案相比,NAC方法可以提高分布式跟踪算法对网络中信号和噪声统计量的空间变化的鲁棒性;与现有的自适应组合系数在线优化方案相比,NAC方法有利于提高分布式跟踪算法的跟踪性能,并且计算复杂度更低。