目标跟踪是指对来自传感器的量测信息进行处理,以便保持对目标运动状态的估计。要想在越发复杂的探测环境下得到很好的目标跟踪效果,则需要多样化的探测手段。单一传感器在观测目标时,其自身的局限性会对观测结果产生极大的影响,而多传感器系统与单传感器跟踪系统相比具有显著的优点。多传感器融合系统包含多个同质甚至异质的传感器,为了获得更好的跟踪精度,需要合理调度分布各传感器,并从冗余的量测信息中计算出对目标运动状态的精确描述。量测信息的不确定性和目标运动的复杂性使得多传感器融合系统具有高复杂性和高集成性的特点。如何设计多传感器融合算法提高多传感器融合系统在复杂环境下的跟踪能力,是本文关注的主要问题。本文首先针对传统融合滤波方法对机动目标融合跟踪性能差的情况,提出了基于无迹卡尔曼滤波器(UKF)和Elman神经网络的多传感器融合算法。通过引入Elman神经网络,对融合结果进行补偿,从而显著提高融合跟踪的精度。此外,使用分层形式的序贯协方差交叉融合算法,将求解一个高维的非线性优化问题转化为求解若干个一维非线性函数最优化问题。随后针对在现实场景下,多传感器融合系统中的融合中心接收到的多为来自各个传感器的异步量测数据的问题,提出了更加通用的基于交互式多模型(IMM)和径向基函数(RBF)神经网络的多传感器异步融合算法。使用交互多模型作为运动目标的预测模型,将融合中心每个融合周期内获得的异步量测信息按照时间顺序排列,以此进行序贯滤波,并将相关结果送入RBF神经网络中进行在线学习,获得更加精确的融合滤波结果。最后为了便于融合算法的研究并验证本文提出的融合算法的有效性,设计了多雷达融合跟踪系统仿真平台。用户可以根据需要对各个雷达的观测精度进行配置,选择融合跟踪算法,融合结果和误差信息将以直观的形式通过界面显示出来。