雷达多目标跟踪技术在区域监视、空中预警等领域有着广泛的应用,从而成为了研究的热点。随着隐身技术的发展及无人机等低小慢目标的出现,获取的观测存在漏检、虚警、观测源不确定等问题,这对多目标跟踪技术提出了严重的挑战。多目标跟踪的任务是从这些观测中估计出随时间变化的目标数目、状态和轨迹信息。随机有限集（Random Finite Set,RFS）理论的出现为这一任务的实现提供了新的解决方案。RFS可以对观测和目标的不确定性进行准确地建模,并通过加入标记来识别目标的身份,从而导出多种高精度可实现的基于标记RFS的滤波和平滑算法。本文以雷达弱小目标跟踪为背景,主要研究基于标记RFS的雷达多目标跟踪技术,具体包括基于标记多伯努利（Labeled Multi-Bernoulli,LMB）滤波器和平滑器的雷达目标检测后跟踪、检测前跟踪及基于LMB滤波器和平滑器的多传感器分布式融合。论文的主要工作如下:第二章针对雷达弱小目标检测后跟踪问题,主要研究了基于LMB滤波器的联合跟踪和解模糊方法。首先介绍了常用随机有限集的分布和基于K-L区分度的标记RFS近似方法。然后提出了基于LMB滤波器的雷达目标联合跟踪和解模糊方法。最后,利用实测数据验证了该方法的有效性。第三章针对雷达弱小目标检测后跟踪问题,研究了基于LMB平滑器的雷达目标跟踪方法。在观测不变、允许跟踪延时的情况下提高多目标跟踪的精度。本章首先推导了一种前向后向LMB平滑器,该平滑器包括前向滤波和后向平滑两个过程,前向滤波步与LMB滤波器一致,后向平滑步关于LMB分布是闭式的。然后分析阐述了LMB平滑器提高势估计的内在机理,并与其他平滑器的计算复杂度作了对比,可以得到LMB平滑器的计算效率高于对比的平滑器。最后,通过实验验证LMB平滑器相较于其他平滑器可以显著提高跟踪精度。第四章针对雷达弱小目标联合检测跟踪问题,研究了基于LMB滤波器和LMB平滑器的雷达目标检测前跟踪方法。首先在可分离似然假设的基础上提出了可分离LMB滤波器和平滑器,并将不可分离似然情况下LMB滤波器扩展为LMB平滑器。其次,针对可分离LMB滤波器和平滑器采用序贯蒙特卡洛（Sequential Monte Carlo,SMC）实现时,易违背可分离似然假设而导致出现势估计偏差的问题,提出了轨迹和观测“一一对应”的解决方法,在此基础上,提出了似然函数的近似计算方法用以提高计算效率。最后,仿真实验结果表明,可分离LMB滤波器和平滑器在保证跟踪性能的前提下,可以实现对多目标的有效跟踪,算法计算效率高;不可分离LMB滤波器和平滑器在保证计算效率的前提下,可以克服多目标观测重叠的影响实现联合检测跟踪,算法的估计精度高。第五章针对组网雷达的多目标跟踪问题,研究了基于LMB平滑器的多传感器分布式信息融合方法。首先,针对算术平均（Arithmetic Average,AA）融合和广义方差交叉（Generalized Covariance Intersection,GCI）融合两种分布式融合方法,在已有基于AA融合和GCI融合的多传感器LMB滤波器基础上,分别提出了基于AA融合和GCI融合的多传感器LMB平滑器,即GCI-LMB平滑器和AA-LMB平滑器。其次,为了在融合之前确定不同传感器轨迹的对应关系,提出了一种考虑多个时刻的多帧轨迹关联方法。最后,仿真实验验证了所提的多帧GCI-LMB平滑器在检测概率较高和虚警较少时有较好的跟踪性能,多帧AA-LMB平滑器在检测概率较低或者虚警较多时有较好的跟踪性能。第六章总结了全文的主要工作和贡献,并对后续工作作了展望。