检测前跟踪(track-before-detect,TBD)方法是当前弱目标(weak targets)检测与跟踪处理的重要手段。它与经典的检测后跟踪(track-after-detect,TAD)处理不同,直接采用未作门限处理或者低门限处理的传感器原始观测数据,充分挖掘数据中的有用信息,通过时间上的观测累积提升信噪比,同时实现弱目标的检测和跟踪——航迹提取。TBD作为一个典型的强非线性问题,粒子滤波(particle filter,PF)技术是一个合理的解决手段。本文采用粒子滤波,对弱目标的检测前跟踪实现算法开展研究工作,主要研究成果如下:首先,建立了雷达和红外传感器的TBD处理模型。在此基础上研究了粒子滤波实现检测前跟踪(PF-TBD)的统一描述框架及其原理。根据该原理实现了一种简单的PF-TBD算法,通过仿真试验验证了粒子滤波实现弱目标TBD处理的可行性。此外,还讨论了多目标PF-TBD算法的实现要点。其次,从PF-TBD实现原理研究结论出发,针对单传感器单目标配置,提出序贯概率比检验(SPRT)和固定样本长度(FSS)似然比检验相结合的检测算法(SPRT-FSS似然比联合检验),在粒子滤波的基础上,有效地实现了弱目标的TBD处理。针对机动目标,提出基于自适应多模型(AMM)的粒子滤波算法,结合SPRT-FSS似然比联合检验,解决了机动弱目标的TBD处理。再次,针对多传感器配置,从两种思路开展了采用多传感器分布式融合的PF-TBD算法研究工作。⑴改进并完善了粒子状态融合算法。通过推导得到了简化的融合粒子权重计算式,采用Gibbs采样方法估计粒子间的融合对应关系;⑵提出了传感器节点间估计PDF的融合算法,称之为密度融合。各个传感器节点基于滤波粒子集,采用核函数概率密度估计(KDE)方法估计条件PDF,通过密度融合得到融合粒子集。文中证明了两种融合方式所得到的融合粒子未归一化权重都满足近似计算似然比的条件,确保了SPRT-FSS似然比联合检验的实施。相对于单传感器处理,两种分布式PF-TBD算法不仅降低了目标检测时延,而且在一定程度上改善了状态估计精度。最后,利用梯度信息进行PF-TBD算法的性能优化研究,提出了一种双梯度粒子滤波算法。该算法在粒子滤波中加入梯度信息来改善粒子传递,以期用较少的粒子达到较好的检测与估计结果。算法采用两种梯度信息:⑴观测模型的梯度;⑵后验PDF的梯度。梯度信息的使用在保证检测性能和估计精度的同时,显著地降低了PF-TBD算法所需的粒子数量。