目标跟踪的主要任务在于从存在噪声的观测数据中过滤出真实目标的状态并输出,在基于分布式传感器网络的多目标跟踪任务中,存在诸如目标新生、目标数目变化、目标运动呈现出非线性/非高斯特征、不同传感器观测误差差异大,且未知以及传感器具有受限观测视野等问题,使得完成稳定的多目标跟踪任务十分具有挑战。基于随机有限集的多伯努利族滤波器,如势均衡多伯努利滤波器（CBMe MBer）,广义标签多伯努利滤波器（GLMB）,标签多伯努利滤波器（LMB）,由于其直接递归传递多目标后验概率密度,具有一定的优势,且引入了标签变量后,多目标跟踪的结果输出中可以包含目标的唯一性标签,进而具备了航迹管理的功能。但在复杂的环境中,传统算法依然存在缺陷,会产生跟踪异常,漏跟以及算法时间复杂度偏高等问题。为此,本文在多伯努利族滤波框架下,展开了对分布式多传感器多目标跟踪相关算法的研究,主要内容如下:1.针对传统基于GCI融合技术以及MB滤波算法的分布式融合跟踪算法在受复杂环境以及各传感器探测能力和布站位置不同的影响时,局部单传感器间滤波精度差异巨大导致的GCI融合结果的准确性降低,最终使得跟踪精度下降,甚至影响后续融合跟踪精度的问题,提出一种改进的基于多伯努利滤波的分布式多传感器多目标跟踪算法,主要包括,（1）提出决策级融合策略,以解决非理想融合场景下直接利用融合结果进行状态输出而导致状态估计失准的问题;（2）提出特征级融合反馈策略,以解决失准融合项直接反馈而影响后续跟踪的准确度问题,并且降低虚警;（3）提出交互反馈策略,以改进单传感器滤波中可能存在的目标跟丢问题。通过不同阶段的融合和反馈,从而提高对复杂环境下数目变化的多目标跟踪精度。实验结果表明,加入了提出策略的改进算法较之于传统算法在跟踪性能上具有明显的提升。2.针对基于具有航迹管理功能的LMB滤波器,传统分布式融合算法存在的计算复杂度较高导致跟踪实时性降低的问题,提出根据标签滤波器的特性,在LMB滤波器的基础上,通过为LMB参数集引入新的变量用于记录关键融合数据,同时改进分布式融合中的融合项匹配过程,在降低计算复杂度的同时,也避免了处理标签空间不一致问题所额外产生的时间消耗。实验结果表明,提出的方法在线性与非线性的跟踪场景中相较于传统算法均具有更好的跟踪性能,且提出方法的运行时间明显低于传统算法,具有较好的实时性,更加适用于真实跟踪任务。3.针对传统分布式融合跟踪算法无法在传感器具有受限观测视野（Limited Field of View,LFo V）条件下有效跟踪的问题,基于LMB滤波器,提出了一种鲁棒的分布式融合算法,通过提出的提取集划分策略解决了传统分布式融合算法在受限观测视野下跟踪时导致目标分布丢失的问题;通过航迹维持策略保证了在目标进入传感器视野前以及离开视野后可以维持其标签信息。实验结果表明,提出算法可完成有效的多目标跟踪任务,较之于传统算法具有更好的鲁棒性。