多传感器数据融合的应用范围十分广泛，包括军用和民用的众多领域如：目标跟踪与识别、医疗诊断、交通管制、工业机器人等等。多传感器数据融合的目的是，利用多个或多种传感器提供的冗余信息和互补信息，减少观测信息的不确定性和模糊性，提高对目标的检测、跟踪定位和识别能力，增强系统的可靠性和生存能力。在多传感数据融合中，实时、精确地跟踪机动目标在军事上和许多民用领域有着重要的意义。本文较为系统地研究了多传感器数据融合目标跟踪中的数据获取、处理及跟踪算法。机动目标跟踪是为了维持对目标当前状态的估计，同时也是对传感器接收到的数据进行处理的过程。所以在跟踪之前，应该保证接收到的数据准确、可靠。本文对多传感器在机动目标跟踪中数据的来源、获取及处理进行了归纳和整理，其中包括多传感器的组成、分类、工作原理，对机动目标跟踪中数据的分步获取，相关处理，雷达之间的相互通信，多雷达数据预处理，最后提供给指挥中心。为得到较好的多传感器数据融合关联算法，首先应理解数据融合的基本原理、关键问题、融合步骤及性能评价等。其次对多传感器单机动目标跟踪的几个典型算法进行归纳总结，仿真对比。通过对国内外多传感器机动目标跟踪数据融合算法的研究，结合飞机的实际飞行轨迹和相关军工科研单位的实际考察，发现基于模型的算法是较为理想并可行的算法。分析了机动目标跟踪交互多模型(Interacting Multiple Model-IMM)算法和自适应网格交互式多模型(Adaptive Grid Interacting Multiple Model-AGIMM)算法的核心思想、实用范围及缺陷。对多模型算法中设计模式集的数量、匹配度与跟踪精度、计算复杂度及实时性等进行了对比研究，从AGIMM算法入手，针对AGIMM存在的不足，本文提出了两方面的改进：(1)在网格中心和网格距离的计算中用当前时刻的预测概率代替前一时刻的后验概率，以减小误差；(2)模式集的选择，通过实时扩增的期望模式集E优化当前模式集M，使其更接近于目标真实运动模型。设定了多种飞行轨迹，飞行速度、加速度、及转弯率等来模拟真实的机动目标飞行情况，用IMM、AGIMM和改进的AGIMM算法分别进行了跟踪，并得出了跟踪误差，Monte Carlo仿真结果表明，改进的AGIMM在跟踪精度和实时性方面都有了进一步的提高。