本文研究了数据融合中的多目标跟踪问题。数据融合作为一门新兴交叉学科，是将来自多数据源的数据进行综合处理，从而得到更为准确、可靠的估计，与从任何单个数据源所获得的数据相比，提供了更加精确和更加确定的推理。数据融合的产生和发展，是现代科学技术飞速发展的产物。目标跟踪是数据融合中的关键技术，是实现高层次融合的前提，并在国防、民用多个领域有广泛的应用，是本文的研究主题。本文的研究内容包括机动目标跟踪、数据关联等，是目标跟踪领域最具普遍性和重要的问题。全文共分五章，主要内容如下： 1. 介绍了数据融合及目标跟踪领域的发展概况及研究现状；介绍了本文的研究内容；介绍了本文的内容安排和主要研究成果。 2.介绍了数据融合这一门新兴的数据处理学科的意义、理论基础、实现技术和研究现状，提供了有关数据融合研究领域的一个大致的概况；研究了目标跟踪的多种模型，Kalman滤波模型，该模型是现代目标跟踪的基础算法。如何解决杂波环境中的跟踪和适应目标的高度机动是目标跟踪领域的一个研究重点。概率数据互联算法以及交互式多模型算法能够解决上述问题,对目标机动和杂波环境有很好的适应能力。PDA模型适合杂波环境下的单目标跟踪问题。JPDA模型是PDA模型的推广，适合密集杂波环境中的多目标跟踪问题，对两个轨迹相交的目标进行跟踪，取得了满意的仿真效果。机动目标模型，由于跟踪环境和目标机动性能发生变化，各种应用系统对机动目标跟踪提出了日益复杂的要求。国内外许多专家学者对之进行了深入的研究，取得了丰硕的成果。讨论了机动目标建模以及基于机动检测和机动辨识的机动目标跟踪技术。探讨了不同方法的优缺点并给出了详细的实验结果与性能分析。 3.研究了多目标跟踪的多假设算法，多假设跟踪算法首先把目标和量测进行关联，形成假设，然后计算每一个假设的后验概率，选择最大后验概率的假设用于当期时刻的数据关联，该方法需要列举当前时刻的所有假设。本章研究了基于模糊交互式多模型算法解决多假设多目标跟踪中的新目标数据相关问题。交互式多模型算法首先需要对多个跟踪模型进行交互计算，然后使用各个滤波器对目标进行预测跟踪，最后给出计算结果，同时该结果也是下一时刻多模型的输入值。利用交互式多模型算法在处理机动目标数据相关的优越性能，提出了一种模糊交互式多模型多假设多目标跟踪算法,该算法利用隶属度选择优秀的模型处理新目标的数据相关问题，用隶属度表示每个模型与所跟踪新目标的隶属关系，根据隶属度选择最佳的模型对新目标进行跟踪。仿真结果表明，该方法不仅能够处理新目标的数据相关，同时又能够提高算法的时间效率。 4. 研究Viterbi MHT算法，该方法是在所有的轨迹中挑选一最优的轨迹集，用户可以根据自己的需要选择合适的轨迹。本章使用一个改进的Viterbi MHT算法用于多目标跟踪，该算法引入测量“门限”，使所跟踪的目标仅仅与“门限”内的测量值关联。改进后的算法能够消除标准算法中跟踪航迹发生分叉的缺点。通过动态“门限”的使用，完善了该算法对机动目标的跟踪。用Kalman 滤波和先验概率计算各目标的MAP的值。该算法是连续的，能够处理丢失的探测、虚警以及跟踪目标的数量，能够提供一系列最好的跟踪目标集，改进后的方法能够减少假设的个数、降低算法的计算负担、提高跟踪精度、有利于对MHT算法进行剪枝和合并。仿真实验验证了该方法的优越性。 5.最后，对论文研究工作进行回顾总结，对多目标跟踪理论进行了阐述，在了解了当前国际上在此领域的发展近况后，预测了今后多目标跟踪的发展方向。