多目标跟踪自提出以来,涌现了诸多经典目标跟踪算法,诸如卡尔曼滤波、粒子滤波等经典目标跟踪算法都有着较好的滤波性能,目前已经被广泛应用于军事,民用等诸多领域。但由于经典滤波算法假设模型有一定局限性,导致其无法适用于许多比较复杂的情形,这就迫切要求在经典算法的基础上提出更具有普适性的算法,以满足目标的精确实时跟踪和快速定位,因此对多目标跟踪的研究有着非常重要的现实意义和理论价值。基于序贯蒙特卡洛的概率假设密度滤波算法有效地结合了蒙特卡洛思想和概率假设密度滤波算法,摒弃了数据关联方法,用诸多样本来近似目标的后验概率假设密度,具有不受模型的限制,能够适用于各种非线性情形,且有着良好的滤波效果等优点。本文以此为基础,对其进行了深入研究,主要内容如下:本文首先深入研究了贝叶斯滤波、蒙特卡洛思想的核心理论和粒子滤波算法核心步骤;在随机有限集的基础上对多目标建模进行了详细分析;并对概率假设密度滤波以及其实现方式之一--SMC-PHDF的主要步骤进行了研究。针对SMC-PHDF算法在系统量测噪声较大时,很多样本的归一化权重很小而成为无效样本,使得滤波精度较低的问题,提出一种自适应SMC-PHDF算法,该算法对似然分布自适应权值更新方法进行了深入的分析,分析了其在SMC-PHDF算法中的适用性,并在此基础上对SMC-PHDF算法更新步骤进行改进,引入了自适应调整粒子权值方法,能够有效地动态调整粒子权值以达到提高滤波性能的目的。接着,将改进SMC-PHDF算法和原算法进行Matlab仿真对比,仿真结果表明:在量测噪声较大时,本文提出的自适应SMC-PHDF算法滤波性能明显优于传统的SMC-PHDF 算法。为了提高SMC-PHDF算法的执行效率,充分利用多核CPU并行运行特点,提出了一种基于parfor并行模式的SMC-PHDF算法,该算法对SMC-PHDF算法每一步实现流程的执行结构进行了深入的分析,确定了其中满足并行执行的部分,并通过引入parfor模式对算法进行并行化改进,降低算法的时间复杂度。最后,运用Matlab自带的并行计算工具箱对SMC-PHDF算法进行了仿真,仿真实验表明,parfor模式能够较好地应用到该算法中,在不影响算法精度且能够满足算法的封闭性的情况下,大幅减少算法的运行时间,从而达到了算法改进的目的。