隐身战斗机、小型无人机等弱目标的出现给防空系统造成了严重的威胁,针对弱目标的联合检测跟踪技术研究也因而成为当前理论研究的前沿和热点。检测前跟踪,区别于传统的先检测后跟踪方法,能够利用多帧观测数据,不断累积目标信息,进而达到增强目标强度的目的。本文针对检测前跟踪算法在多种场景下的运用做了大量的研究,研究内容主要包括以下几个部分:第二章利用贝叶斯理论构建了统一的目标跟踪推理框架,为跟踪算法的推导作了理论铺垫。首先,利用贝叶斯理论推导出递归的卡尔曼滤波器和非递归的高斯牛顿滤波器,而后给出了这两种算法在不考虑过程噪声及观测噪声不相关的前提下的等价性证明。接着,借助随机有限集的相关知识,将贝叶斯推理拓展到多目标跟踪领域,给出了多目标情况下的推理框架,至此完成了单目标、多目标跟踪推理的统一,为后文算法研究打下基础。第三章针对单个弱目标的联合检测和跟踪问题,对比研究了基于粒子滤波的检测前跟踪和基于优效粒子滤波的检测前跟踪两种算法,研究发现基于优效粒子滤波的检测前跟踪算法无论是估计精度还是运算效率都要优于一般的基于粒子滤波的检测前跟踪算法。之后,针对优效粒子滤波算法运行的各个环节,从精度和运算效率两个角度仿真分析了目标影响分辨单元个数、重采样算法、粒子数、目标信噪比和粒子先验分布对滤波器性能的影响。这些研究为合理设置滤波器参数提供了有价值的参考和依据,也为进一步提高滤波器的性能提供了思路和指导。第四章针对单个机动弱目标的联合检测跟踪问题,将多模型算法和基于优效粒子滤波的检测前跟踪算法相结合,提出了一种基于多模型的优效粒子滤波检测前跟踪算法,很好地解决了传统单模型方法由于模型失配而造成的滤波器发散问题。而后设计了两个仿真实验,其目标运动模型集中分别包含2个和3个运动模型,所提算法均能很好地完成对目标的检测和跟踪。因而在面对机动性更强的弱目标时,可以通过增加模型集中模型个数的方法来实现对强机动目标的检测和跟踪。第五章研究了多个弱目标的检测前跟踪,针对一般的基于概率假设密度的检测前跟踪算法存在过量估计的问题,提出了一种结合聚类算法的概率假设密度检测前跟踪算法,仿真结果表明,所提算法能够有效地解决过量估计问题,能够很好地利用图像数据实现对多个目标的检测。之后,将多伯努利滤波器和检测前跟踪算法相结合,研究了基于多伯努利的检测前跟踪算法的性质,并提出了一种自适应先验信息的多伯努利检测前跟踪算法,仿真实验表明,在不知道新生目标确切位置的情况下,所提算法也能很好地发挥作用。第六章针对多个机动弱目标的联合检测跟踪问题,将多模型方法与标签多伯努利滤波器相结合,提出了一种基于多模型的多个机动弱目标联合检测跟踪算法。在仿真实验中,设计四个具有不同运动模型的目标,分别完成四种不同轨迹。实验结果表明所提算法能够分别提取各个目标的轨迹和并给出运动模型的估计,同时验证了算法的标签性能和对目标运动模型的匹配能力。