日益复杂化的战场环境对传感器的跟踪性能要求越来越高,目前的单传感器获得的航迹信息已无法满足战场的需求,因此基于多传感器的信息融合系统应运而生。该系统充分利用了各个传感器的信息资源,通过将多个传感器的信息进行关联、融合等多级处理来获得更加精确的航迹信息,从而提高了系统的可靠性,使得多传感器系统能够更加高效稳定地工作。由于数据关联的结果直接影响后续融合的质量,且良好的数据关联是目标跟踪和识别的基础,因此数据关联是信息融合过程中尤为重要的一步。在分布式系统中,数据关联实质上是航迹-航迹关联,关联的目的是找到不同传感器中来自于同一个目标的局部航迹集合,以此为获得更加精确的融合后的系统航迹做准备。因此,本文基于分布式多传感器信息融合系统,主要对一般场景下的航迹关联、中断航迹关联以及异步航迹关联进行研究。对于一般场景下的航迹关联,本文首先分别从统计学、模糊数学和最优分配这三个方面研究了传统航迹关联,其中基于模糊数学的关联效果最好。然后对一元序列灰色关联和多元矩阵型灰色关联进行了研究,仿真结果表明灰色关联算法在目标密集环境中仍具有良好的关联效果。最后分别从相近性、相似性和综合性三个视角下研究了灰色航迹关联,其中相近性可以更好的表征航迹关联的效果。针对航迹跟踪中航迹不连续的问题,本文研究了航迹中断场景下的航迹关联。目前已有的研究中,当中断时间较长时,中断前后航迹的配对准确性较差,因此本文提出了一种基于通信信号辅助和多尺度组合预测的航迹关联方法,该方法主要是利用多尺度组合预测来提高预测精度,采用正反预测来减少预测步长,通过选择合适的关联样本来提高关联准确度,并把通信信号作为一种辅助手段来降低算法的复杂度。仿真结果表明,该方法提高了中断航迹的关联正确率。针对不同传感器采样速率不同以及通信延迟的问题,本文研究了航迹异步场景下的航迹关联。目前已有的研究中,通过时间配准将异步航迹同步化,该方法计算复杂度很高,同时也会带来较大的计算误差,严重影响了航迹的关联效果,因此在不进行时间配准的前提下,本文提出了一种基于集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)来提取趋势项的异步航迹关联方法。首先,将该提取趋势项的思想应用在同步航迹关联上,通过去除高频项,在很大程度上减小了高频项作为噪声扰动对航迹关联的影响,提高了航迹关联的正确率。然后,研究了基于时间分段和EEMD来提取趋势项的异步航迹关联算法,该算法通过在分好的每一个时间段内拟合趋势项的多项式表达式,并根据多项式系数的统计检验和关联判断准则来进行异步航迹关联。仿真结果表明,在目标适中的情况下该方法具有良好的关联效果。