多传感器多目标跟踪技术主要包含多传感器数据融合和多目标跟踪两方面。多传感器目标跟踪是将多个传感器的信息进行融合，从而估计目标的运动状态，相对于单一传感器它的跟踪性能更加优越，它是信息融合技术在目标跟踪领域的应用范例；多目标跟踪问题则是指在密集环境下，将传感器接收到的众多量测值按照它们的来源分类，使用自适应滤波和数据关联算法估计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。论文首先阐述了研究信息融合这门新兴学科的意义、理论基础和国内外研究现状、对多传感器信息融合的模型与结构、信息融合的主要技术和方法、理论体系、信息融合的优点、信息融合的级别和层次、融合的跟踪系统分类以及信息融合技术的应用等内容进行综述。其次研究了多机动目标跟踪基本原理、机动目标模型，包括CA模型、CV模型、Singer模型、Jerk模型、“当前”统计模型和曲线模型，对比了各种模型的优缺点和适用情形；论述了基本的跟踪滤波与预测方法：标准线性Kalman滤波器(KF)、针对非线性系统的扩展Kalman滤波(EKF)和无迹Kalman滤波(UKF)，并简单介绍了几种目标跟踪新技术。最后针对多传感器多目标跟踪问题，提出了基于随机有限集的多传感器多目标跟踪算法。介绍了随机集基本理论、随机有限集统计(FISST)以及随机集的概率假设密度(PHD)，探讨了随机集分布函数以及集导数和集积分推导过程，给出了基于随机集的信息融合理论框架，将单传感器单目标规范Bayes建模方法推广到多传感器多目标情形；说明概率假设密度的意义，利用PHD滤波实现了多传感器多目标跟踪，并通过仿真实例说明了该算法的有效性。