随着现代信息战争以及空中、海上交通管制的快速发展,多目标跟踪受到越来越多的重视。大多数多目标跟踪算法的一个标准假设是运动目标间相互独立且模型参数已知,对此可建立状态空间模型进行讨论。然而在实际应用中,经常遇到多个目标作为一个群体运动,目标间相互影响且个体参数未知的情况。基于上述情形,本文将状态空间模型推广至混合效应状态空间模型,探讨混合效应状态空间模型与多目标跟踪相结合的建模与状态估计算法。首先,本文基于复杂的数据关联问题,改进了多假设跟踪(MHT)算法,探讨参数已知的线性高斯模型的建立方法,并将该方法扩展到参数未知的非线性模型上,建立混合效应状态空间多目标跟踪模型;其次,讨论了参数已知情形下的多目标跟踪模型的状态估计方法,利用混合高斯模型记录多个假设,再利用量测信息解决数据关联的不确定性,从而得到状态估计结果;最后探讨了混合效应状态空间多目标跟踪模型的状态估计方法,提出基于抽样思想的粒子滤波算法与卡尔曼滤波相结合的方法,并针对其产生的粒子退化现象进行改进,得到基于核光滑的辅助粒子滤波与卡尔曼滤波相结合的状态估计算法。针对所提出的算法,本文采用一个带有两个随机扰动的地面多目标跟踪模型进行数值仿真,对此模型分别运用基于粒子滤波的算法及其改进的辅助粒子滤波算法进行状态估计,根据数值仿真结果建议优先选择基于核光滑的辅助粒子滤波算法,最后对该优先算法的一致性检验也得到了满意的效果。因此,本文所提出的针对混合效应状态空间模型与多目标跟踪问题相结合的建模与状态估计方法具有重要的应用价值。