对给定区域内运动目标的检测和跟踪，是现代检测、监控以及跟踪系统中一个不可回避的问题。对于单一目标的状态跟踪，处理流程一般包括测量数据获取、目标状态估计两个部分。而对于多目标的状态跟踪，为了保证状态估计时测量与被更新航迹的一致性，需要在估计之前进行测量-预测数据关联，以便使得状态估计能准确反映目标实际状态。对于多传感器跟踪系统而言，这一更新过程将变得更为复杂。考虑到所使用的多个传感器性质差异较大，各个独立测量或者航迹之间的融合，也是一个极为重要的问题。同时，在传感器测量数据变换至融合中心坐标系时，会因为测量偏差和配准误差而导致数据与实际状态产生较大误差，也使得多传感器跟踪系统的设计变得更加困难。　　本文在充分调研了目标状态跟踪所要实现的性能目标后，介绍了目标状态跟踪的处理流程，即多目标数据关联、目标状态估计和更新、多传感器航迹融合。同时，对上述各个流程进行了分析和改进，来实现目标运动状态更加精确的估计，所涉及内容为:　　1)针对多目标数据关联部分，调研了已有的最近邻关联算法，以及全局最近邻关联算法，分析了最近邻算法在应对测量偏差时的不足。在此分析的基础上，针对测量中可能存在的偏差，提出了基于目标空间相对位置信息的特征向量法，以此构建目标之间相对距离这一相似度度量，来建立测量和预测之间的相似度矩阵，有效地提升了数据关联算法的准确率。　　2)针对被跟踪目标的状态估计问题，分析了卡尔曼滤波算法在线性系统、扩展卡尔曼滤波在非线性系统、以及粒子滤波算法在非线性非高斯系统中的应用，同时对上述状态估计算法进行了性能分析。考虑到测量偏差在测量数据中的广泛存在，进一步分析了偏差存在时粒子滤波的失效性，提出了一种在测量-预测关联对已知条件下的目标状态估计的处理流程和实现方法，提升了目标运动航迹的跟踪精度。　　3)多传感器跟踪系统中不可避免地面临着航迹融合的处理架构问题，即集中式融合跟踪和分布式融合跟踪。考虑到分布式系统在实际中有着广泛应用，主要分析了分布式架构下的航迹均值化融合方法。同时，考虑到单个航迹出现较大跟踪偏差时可能会对融合航迹产生重大影响，提出了一种多传感器航迹预处理方法，以及航迹融合的加权均值化方法，提高了融合航迹的跟踪精度。