多目标跟踪是根据传感器探测到的、由多个运动目标和环境噪声产生的量测序列,来估计多个目标运动状态和目标数目的目标跟踪方法。多目标跟踪方法可以分成两个方面的内容:基于数据关联的多目标跟踪方法、基于有限集统计学(Finite-Set Statistics:FISST)的多目标跟踪方法。基于数据关联的多目标跟踪方法也称为间接目标跟踪方法,基于FISST的多目标跟踪方法也称为直接目标跟踪方法。基于数据关联的多目标跟踪方法是单目标跟踪方法的直观推广。而基于FISST的多目标跟踪方法是近年来发展起来、有别于传统多目标跟踪方法的一种有着坚实数学基础的多目标跟踪方法,近年来为广大研究者所重视,得到了快速的发展和广泛认同。这种多目标跟踪方法更能反映出目标跟踪的数学本质,并改变了人们对多目标跟踪问题的传统认识。基于FISST的多目标跟踪方法能够成功地有效处理传统多目标跟踪方法中出现的一些问题,并且其计算复杂度相比传统的多目标跟踪方法要小得多。因此,我们要对基于FISST的多目标跟踪方法对未来多目标跟踪技术发展的影响有充分的认识。本文的主要研究内容包括以下两方面:1)基于FISST的多目标跟踪方法,研究有效处理传统多目标跟踪方法中仍然得不到很好有效处理的多传感器多目标被动定位跟踪问题;2)研究有效处理基于FISST多目标跟踪方法中仍然存在的三个问题的方法。主要研究成果如下:1.基于序贯Probability Hypothesis Density (PHD)滤波器的多传感器多目标被动定位算法。多传感器多目标被动定位问题是一个被广泛研究的问题。采用传统方法处理这一问题的关键问题是数据关联。数学上,可以用多维分配准确地描述多传感器多目标被动定位的数据关联问题。但是,当分配的维数大于等于3时,处理多维分配的计算复杂度为NP Hard。另外,在密集杂波环境下,采用传统方法处理多传感器多目标被动定位问题也得不到令人满意的结果。基于序贯PHD滤波器,本文给出了两种处理多传感器多目标被动定位的方法。一种是传感器被成对使用,另外一种是传感器被分别独立使用。仿真表明,在密集杂波环境下,采用序贯PHD滤波器的多传感器多目标被动定位方法的性能指标Wasserstein Distance (WD)优于基于多维分配的多目标被动定位方法。并且,相比基于多维分配的多目标被动定位方法,其计算复杂度要小的多。2.带有椭球门限的高斯混合Cardinalized PHD(GM-CPHD)滤波器。与PHD滤波器不同,CPHD滤波器在传递PHD函数的同时也传递目标数目分布的概率密度函数,使得对多目标状态的估计更加精确。CPHD滤波器的这种优势是用更大的计算复杂度获得的。在CPHD滤波器计算精度损失不大的情况下,降低CPHD滤波器的计算量是一个有着工程应用价值、值得研究的问题。本文提出了采用椭球门限来降低量测集合中量测的数目,从而达到降低CPHD计算量目的的方法,并在仿真中讨论了采用椭球门限时应该注意的问题。仿真表明,采用椭球门限GM-CPHD滤波器的计算量得到了有效地降低,并且其性能损失并不明显。3.新出现目标强度函数未知的GM-PHD滤波器。在实现PHD滤波器或CPHD滤波器时,先前方法一般都假设新出现目标的强度函数已知。而在大多数实际的应用中,这一假设并不能得到满足。仿真表明,当新出现目标的强度函数未知时,PHD滤波器可能会检测不到新出现的目标。本文给出了GM-PHD (Gaussian Mixture PHD)滤波器的一种矩阵表达形式。这种GM-PHD滤波器的矩阵表达形式只是GM-PHD滤波器的另外一种表达形式,并没有改变GM-PHD滤波器的内容。但是,这种形式能清楚地描述出当前周期得到的高斯分量和上个周期保留高斯分量的关系,以及当前周期得到的高斯分量和传感器量测之间的关系。基于这种矩阵形式,在高斯分量修剪过程中,对应于每一个量测都至少保留一个高斯分量到下个更新周期。这样就能使GM-PHD滤波器在新出现目标强度函数未知的情况下,检测到新出现的目标。4.多传感器GM-PHD滤波器。单传感器的PHD滤波器在基于FISST多目标跟踪方法中有着非常重要的地位。但是,构建理论上严格的多传感器PHD滤波器并非易事。即使存在,其形式也非常复杂,没有实际应用的价值。R. Mahler给出了一种多传感器序贯PHD滤波器,但是这种滤波器要求多个传感器的探测区域一致,至少要求被跟踪的目标位于多个传感器探测区域的交集部分。基于GM-PHD滤波器的矩阵表达形式,本文构建了一种多传感器GM-PHD滤波器。这种滤波器能在多个传感器的观测区域不一致的情况下使用。并且,当传感器的探测概率较低,和多个传感器的探测区域一致时,它仍然优于序贯PHD滤波器。