多传感器多目标跟踪技术是围绕着多传感器目标跟踪和多目标跟踪两方面的实现展开的。多传感器目标跟踪是数据融合技术在目标跟踪领域的应用范例,它将多个传感器的信息有机合成,估计目标的运动状态,产生比单一传感器更优越的跟踪性能；多目标跟踪则是将传感器接收到的众多量测值按照它们的来源分类,给出各跟踪目标的运动轨迹,并分析运动轨迹的准确性和可靠性。本文主要针对多传感器多目标跟踪中的两个关键技术,即状态估计和数据关联进行研究。 无轨迹卡尔曼滤波(UKF)算法是目前状态估计理论中较为流行的一种非线性滤波算法,但受卡尔曼滤波特性影响,UKF算法也不可避免地存在对突变状态的弱跟踪能力等问题,本文根据强跟踪滤波原理,提出一种强跟踪UKF算法,并进行了仿真,仿真结果表明,强跟踪UKF算法在对非线性问题的滤波效果优于传统的UKF算法。 联合概率数据关联(JPDA)算法是目前公认的多目标跟踪中最有效的数据关联算法之一,但其计算量呈目标数和量测数的指数级增长,实时性不好。本文在分析JPDA算法实用化研究成果的基础上进一步探讨,选择使用基于“近似聚”的JPDA(AS-JPDA)算法进行数据关联,仿真结果表明AS-JPDA算法的关联性能略次于JPDA算法,但关联耗时远小于JPDA算法的关联耗时。 最后,将本文提出的强跟踪UKF算法应用于基于AS-JPDA算法的多传感器多目标跟踪仿真系统中,仿真结果表明强跟踪UKF算法和AS-JPDA算法的使用较大地改善了滤波精度和关联耗时问题,证明本文提出的强跟踪UKF算法和选择出来的AS-JPDA算法是切实可行的。