随着目标隐身性能的不断提升,传统的先检测后跟踪预警体系难以对上述目标进行有效检测和稳定跟踪。多帧检测前跟踪技术利用多帧量测信息的能量进行非相干积累,能够有效实现微弱目标的检测和跟踪。然而,随着威胁目标的分布、运动特性朝着多批次、高机动以及集群化等方向发展,现有的多帧检测前跟踪技术面临多目标检测运算复杂度高、虚假目标数量多、机动目标检测概率低、跟踪精度差和集群目标检测分辨率低等问题。针对上述问题,本论文基于多帧检测前跟踪技术对多目标、机动目标及集群目标开展精细化处理算法研究,研究内容主要包括多目标的多帧积累检测前跟踪（Multiple Frames Accumulation Track Before Detect,MFA-TBD）算法、机动目标的MFA-TBD算法及集群目标MFA-TBD算法三部分,上述的MFA-TBD算法均为非相干积累。本论文的主要工作和贡献如下:1.第一部分研究多目标MFA-TBD算法。通过构建多传感器同源检测模型,提出了量测点迹聚类的多传感器MFA-TBD算法。该算法利用多传感器的同源检测实现杂波/噪声剔除,能够大幅降低多目标MFA-TBD算法的运算复杂度,同时有效抑制虚假目标的数量。检测性能与现有集中式MFA-TBD算法相当,而运算复杂度与分布式MFA-TBD相当。通过构建量测空间聚类模型,提出量测空间聚类的多目标MFA-TBD算法。该算法利用目标的空间分布特性实现量测点迹的空间划分,有效降低多目标MFA-TBD算法的运算复杂度,同时能够抑制虚假目标的生成。该算法与现有的多目标MFA-TBD算法相比检测性能相当,而运算复杂度大幅下降。2.第二部分研究机动目标的MFA-TBD算法。通过构建基于历史量测信息的目标轨迹拟合模型,提出基于目标轨迹估计的MFA-TBD算法。该算法通过扩展值函数积累维度和引入动态关联波门,有效提升微弱机动目标的检测概率,同时大幅降低算法的运算复杂度。通过构建多传感器混合融合框架,提出基于混合融合框架的机动目标跟踪算法。该算法通过对组网中不同性能传感器进行分类划分,实现相同性能传感器精细融合,不同性能传感器粗放融合,与单传感器相比有效改善了机动目标跟踪的精度和稳健性。3.第三部分研究集群目标MFA-TBD算法。通过构建基于贝叶斯框架的多帧检测模型,提出基于贝叶斯框架的集群目标MFA-TBD算法。该算法首先利用集群目标时间-空间的分布关联性实现量测分群和分簇。其次利用机动检测修正集群目标关联策略,能够改善机动集群目标的检测性能。该算法与现有MFA-TBD算法相比,在高分辨率和低分辨率传感器下均能有效改善集群目标检测的完整性。通过构建集群目标连通图模型,提出基于连通图标签遍历的集群目标分群算法,该算法能够有效实现多集群目标的快速分群。