目标跟踪技术在国土防空、导航、制导、探测、定位、交通、制造和医疗等军事和民用领域得到了广泛和成功的应用。无线传感器网络(Wireless Sensor Networks,WSNs)具有低成本、低功耗、自组织等特点,可利用大量分散节点对移动目标进行协同感知,提供丰富的环境信息以及准确的定位服务。WSNs环境下的移动目标跟踪问题,目前已成为国内外信息融合估计领域的一个热点研究课题。基于测距的目标跟踪,可看作非线性多传感器的融合估计问题,通常受传感器故障、相互干扰以及模型不确定性等因素的影响。特别地,无线通信网络的引入,不可避免地遇到能量、带宽受限以及丢包和延时等通信不确定性,给出非线性融合估计系统的分析和设计带来了许多新的问题和困难。本文基于贝叶斯估计理论、李雅普诺夫理论、线性最小均方误差准则以及相容性估计准则,研究了多速率/异步多传感器融合估计问题,并设计了不同情形下的目标跟踪方法,以实现WSNs环境下移动目标的跟踪。研究工作及取得的主要创新性成果如下:第一,研究了多速率WSNs环境下的分布式机动目标跟踪问题。针对模型误差补偿问题,充分考虑了过程噪声协方差的影响。首先,通过修正强跟踪方法(Modified strong tracking filter,MSTF),得到满足相容性的局部估计。然后,应用CI(Covariance Intersection)融合估计方法以减少估计的不确定性。利用这种分层融合框架下估计方法,更好地发挥了MSTF和CI方法的优势,实现了多速率WSNs环境下移动目标跟踪。第二,考虑超声波传感器故障以及量测范围有限等问题,设计了事件触发的采样传输机制用于传感器的筛选。首先,随机生成一些过程噪声协方差,应用非集中式扩展信息滤波(Decentralized extended information filter,DEIF)方法生成不同“模型误差”假设下的局部估计。然后,采用CI融合估计方法来消除假设,得到更为符合当前运动特性的估计结果。类似地,这种估计结构推广到量测精度不理想的情形,利用改进的平方根卡尔曼滤波(Square root cubature Kalman filter,SRCKF)和CI融合估计方法,实现了基于RSSI测距的移动目标跟踪。第三,研究了异步WSNs环境下的目标跟踪问题。通过引入时变的渐消因子,改善了无迹卡尔曼(Unscented Kalman filter,UKF)估计器的收敛性和稳定性,即无迹强跟踪滤波方法(Unscented strong tracking filter,USTF)。特别地,由估计“相容性”准则导出了一个滤波器的切换条件,充分地利用了经典UKF方法和USTF方法的优势。最后,通过这种混合序贯融合估计方法,实现了异步WSNs环境下的目标跟踪。第四,研究了基于RSSI测距的序贯高斯目标跟踪问题。首先通过高斯假设,由序贯贝叶斯滤波导出了序贯高斯滤波方法,并应用容积积分准则,给出了序贯容积卡尔曼滤波方法;其次,通过假设检验方法引入了自适应因子,以提高滤波器的稳定性和收敛性。最后,通过滤波器收敛性的分析,证明了自适应因子的引入有助于滤波器的收敛。第五,研究了WSNs协助下的移动目标自定位问题。为了减少通信冲突和缓解信道竞争,移动目标的采样过程采用了事件触发机制。由估计的相容性准则,导出了一个选取过程噪声协方差的下界,并相应地设计了基于多容积点的序贯目标定位方法,以实现事件触发WSNs环境下的移动目标自定位。论文通过计算机仿真和E-puck目标跟踪实验的方式,验证了所提出设计方法的有效性。最后,对全文进行了总结,并对进一步的研究提出了展望。