随着科学技术的发展，现代战争环境日渐复杂，多目标跟踪技术面临更严峻的挑战，即要求在密集杂波、低信噪比、目标强机动性等复杂环境背景下，仍能对多目标保持稳定准确的跟踪。而传统的多目标跟踪技术都是基于运动学参数进行的，在复杂环境下，容易造成数据关联失败和跟踪性能降低。为了适应复杂的跟踪环境，需要不断挖掘先验信息并应用到跟踪系统中，来改善跟踪性能。本论文主要研究了利用先验信息—量测的幅度信息和道路信息来改进多目标跟踪算法，以便提高复杂环境下的多目标跟踪性能。本文首先介绍了多目标跟踪理论，简述了常用的目标模型以及多目标数据关联算法和跟踪滤波算法，同时分析了各算法的特点，为后面基于知识辅助的多目标跟踪算法研究奠定了理论基础。然后本文为了降低低可观测条件下杂波等对机动多目标数据关联和滤波的影响，提出了基于幅度信息的综合交互式联合数据关联算法（C-IMMJPDA-AI）和基于幅度信息的综合交互式最近邻简化联合数据关联算法（C-IMMNNCJPDA-AI）。经过信号处理后得到的目标的幅度一般比虚警的回波幅度要强，因此利用量测的幅度信息可以提高机动多目标的跟踪性能。仿真试验证明，与传统算法相比，C-IMMJPDA-AI和C-IMMNNCJPDA-AI均提高了低可观测条件下数据关联的可靠性和有效性，从而减小了失跟率，提高了多目标的跟踪性能。本文还对C-IMMJPDA-AI和C-IMMNNCJPDA-AI的性能进行了详细的对比分析，给出了这两种算法分别适合的环境场景。最后本文为了降低强机动对跟踪性能的影响，针对受道路约束的地面目标，提出了一种自适应道路约束的地面目标跟踪方法（ARCVS-IMM）。该方法建立了道路知识库模型，给出了三个判定准则，并根据道路信息和三个判定准则来自适应调整交互式多模型集，以便提高受道路约束的地面目标的跟踪性能。仿真试验证明，与传统的交互式多模型算法（IMM）相比，该算法利用道路信息减少了计算量，并提高了受道路约束的地面目标的跟踪性能。