目标跟踪与多传感器信息融合，是应现代军事和民用的需求而发展起来的一门新兴技术，其支撑理论涉及到控制论、信号处理、人工智能、数理统计等多个学科。在跟踪与融合领域，至今已提出了大量的理论和方法，取得了丰硕的研究成果。随着跟踪与融合技术的广泛应用和支撑理论学科的快速发展，被跟踪对象变得日趋复杂，对跟踪算法实时性和精确性的要求也越来越高。这就要求对现有的跟踪与融合技术进行改进，同时不断提出新的理论和方法以适应新的应用。 本文对多传感器配准问题、高精度高速度的目标跟踪问题、红外弱小目标的检测问题、机动目标的红外／雷达融合跟踪问题及多传感器／多特征信息融合问题进行了较为深入的研究，主要成果如下： 数据配准方面，在分析了现有的多传感器空间数据配准算法的特点和不足之后，提出了基于模糊C—均值聚类的实时数据配准算法，实现了低成本传感器配准误差的计算。最后给出了仿真结果与分析。 单传感器—单目标跟踪方面，提出了一种新的模糊—卡尔曼滤波器：将系统噪声矩阵映射为残差均值和残差方差的二元模糊函数，将量测噪声矩阵也映射为残差均值和残差方差的二元模糊函数，这样建立起来的模糊曲面就省略了模糊规则推理。同时，将滤波器的采样时间与目标后验误差之间的关系模糊化，使目标跟踪和预测效果得到很大的改善。 红外传感器图像检测方面，针对红外传感图像的弱小目标检测问题，提出了基于高阶谱分析的红外图像灰度处理方法，在单帧图像的前提下，实现了弱小目标检测。 机动目标多传感器融合跟踪方面，针对机动目标的红外／雷达传感器融合跟踪问题，提出了先实现传感器数据的空时融合，再将融合后的数据送入粒子滤波器以完成跟踪的算法，对传统的粒子滤波器做出了一定程度的改进。 数据关联与融合方面，针对多传感器／多特征信息融合问题，提出了一种基于粗糙集和高阶谱约简的变结构模糊神经网络，通过优化模糊神经网络的结构，来优化配置多传感器资源或多特征信息资源。