目标跟踪是指为维持目标状态的估计，对传感器提供的量测进行处理的过程。传统多目标跟踪通常按照航迹起始、航迹维持和航迹删除的过程进行处理，数据关联是处理的核心和难点。基于有限集统计理论的非传统多目标跟踪算法，对航迹处理的三个过程同时进行处理，避开了数据关联这一难题。目前传统多目标跟踪在航迹起始、航迹维持以及基于有限集统计理论的非传统多目标跟踪滤波算法上都取得了丰富的研究成果。本文围绕传统的航迹起始、滤波问题和概率假设密度滤波算法，引入蚂蚁智能行为，开展了基于群智能算法的目标跟踪技术的研究。　　 论文开展的工作和取得的主要成果如下:　　 1、针对航迹起始阶段数据关联存在的NP难题，分别提出了基于蚂蚁导航、蚁群聚类算法以及蚁群分类算法的逻辑航迹起始方法。仿真结果表明，基于蚁群智能行为的航迹起始方法的正确起始概率高且时效性好。　　 2、针对移动蚂蚁估计器主要是一步预测状态的精度以及较复杂的移动模型和信息素更新策略问题，分别了提出了扩展/无迹移动蚂蚁估计器和实时移动蚂蚁估计器。仿真结果表明，所提出的两种移动蚂蚁估计器均能有效地跟踪非机动和机动目标。　　 3、针对蚂蚁估计器中蚂蚁一步预测状态的准确程度影响最终的估计精度，提出了一种扩展/无迹蚂蚁估计器;利用蚂蚁的随机决策行为选择提议分布，提出了一种基于蚂蚁随机决策的粒子滤波算法。仿真结果表明，基于蚁群优化和粒子的混合滤波算法能够对非机动和机动目标进行跟踪，且跟踪性能分别与粒子滤波和交互式粒子滤波的跟踪性能相当。　　 4、针对基于序贯蒙特卡罗的概率假设密度滤波算法的目标状态提取稳定性问题，结合蚂蚁随机移动行为，提出了基于蚁群聚类的概率假设密度滤波算法。仿真结果表明，所提出的算法具有稳定、良好的跟踪性能。针对概率假设密度函数难以得到解析解，提出了一种基于蚁群优化的多极值点搜索的概率假设密度滤波算法的近似实现方法，仿真结果表明，提出的方法简单且能够有效的近似实现概率假设密度滤波算法。　　 最后，总结全文的研究成果并指出存在的不足和进一步的研究方向。