随着传感器技术不断更新,多目标跟踪技术随之快速发展。在复杂的多目标跟踪场景中,时变的目标数量和大量的杂波等因素都会致使基于数据关联的传统多目标跟踪性能下降,因此,基于随机有限集的多目标跟踪技术随之发展起来,将目标状态和量测构建为集合,从而解决因关联导致计算量增大的问题。本文主要研究基于随机有限集的多目标跟踪。基于随机有限集的多目标跟踪基本算法研究。介绍了概率假设密度滤波(PHD)及其高斯混合和粒子两种实现方法。针对PHD需要新生目标强度信息以及无法实现航迹标识的问题,研究了一种量测驱动的LGM-PHD滤波器,通过为高斯分量添加标签实现航迹标识,在利用每一次传感器获得的量测值生成新生目标强度,从而避免了先验信息,仿真验证了算法的有效性。低检测概率下GM-PHD多基地多目标跟踪算法。由于漏检目标的原因导致GM-PHD的跟踪性能急剧下降,针对此问题研究了一种改进的GM-PHD滤波算法。通过设置判决准则区分漏检目标,并利用多帧信息对漏检目标的权值进行修正,从而减少漏检目标对GM-PHD跟踪性能的影响,通过仿真验证了其在低检测概率下具有较好的跟踪性能。改进的多基地多扩展机动目标高斯混合PHD算法研究。有效的量测集划分可以减少扩展目标高斯混合假设密度(ET-GM-PHD)的计算复杂度,针对此问题,提出了一种改进动态网格对量测集进行预处理,通过仿真证明该方法能有效滤除部分杂波,减少观测子集个数,减少运行时间。针对ET-GM-PHD对机动目标跟踪精度较低,引入输入估计模型,将加速度分量加入原有的目标状态向量,通过引入渐消因子改进该算法对强机动目标的跟踪性能。通过仿真实验验证了改进的ET-GM-PHD能有效地应对加速度发生急剧变化的情况,并具有良好的跟踪性能。