随着信息融合理论的不断发展,多目标跟踪（Multi-target tracking,MTT）技术已成功应用到军用和民用等诸多领域,这使得其日益成为学术界讨论的热点。本质上,它是一个对时变动态系统联合决策与估计的过程。在MTT中,根据特定的任务规划来制定合理的控制策略,进而控制传感器以最大限度的获取多目标信息,这在很大程度上可以优化提升复杂现实环境下的多目标整体跟踪估计的水平。Mahler在有限集统计（Finite set statistics,FISST）理论框架下从集值估计的角度出发对多目标跟踪问题进行求解。该方法由于避免了明显的数据关联过程而备受关注。由此衍生出的一系列随机有限集（Random finite set,RFS）滤波器也为MTT中的传感器控制策略的求解带来了极大的方便。基于此,本文在FISST理论框架下,利用RFS滤波器对MTT中的传感器控制策略展开讨论,主要工作归纳如下:1)针对多目标跟踪中的多传感器控制问题,本文结合多目标RFS滤波器,提出了基于信息论的多传感器控制策略。首先,本文利用RFS建模,给出了多传感器多伯努利滤波器,并通过一组参数化的多伯努利过程来近似多传感器多伯努利密度。其次,通过对多伯努利过程的存在概率和概率分布分别采样,进而利用采样粒子集来近似表征多目标密度。随后,选择巴氏距离（Bhattacharyya distance）作为传感器控制的评价函数并用于多个传感器的独立自主决策阶段。此外,基于所提多传感器分布式控制策略,本文还提出了一种基于多目标战术重要性评估的多传感器控制策略。该控制方案旨在评估多目标战术重要性的基础上对最大威胁度目标进行优先跟踪。最后,构造仿真场景并验证该算法的有效性。2)针对多目标跟踪中的传感器控制问题,本文基于箱粒子多伯努利（Box-particle multi-Bernoulli）滤波器,提出了一种近似求解传感器控制策略的方法。首先,本文将箱粒子合理构造为一个高斯分布,从而利用一组带有权值的高斯分量代替服从混合均匀分布的加权箱粒子来表征多伯努利密度。其次,基于两个高斯混合多伯努利密度,选择柯西施瓦兹（Cauchy-Schwarz,CS）散度作为评价函数,并详细推导了两个高斯混合之间的柯西施瓦兹散度的求解公式,以此为基础提出相应的传感器控制策略。此外,本文还给出了通过点粒子近似箱粒子,从而利用点粒子求解柯西施瓦兹散度的递推公式,并提出了相应的控制策略。最后,构造仿真场景并验证该算法的有效性。