基于随机有限集理论的概率假设密度（Probability Hypothesis Density，PHD）滤波算法是近年来备受关注，并得到快速发展和广泛认同的一种多目标跟踪算法。传统的PHD滤波算法需假设噪声统计特性是先验已知的。未知或不准确的噪声特性会导致多目标滤波算法的跟踪性能下降。然而，在日益复杂的战场环境下，噪声特性的先验信息难以准确获得，并会随时间发生变化。因此，本文围绕未知噪声特性下的多目标PHD滤波问题展开研究，主要研究内容和成果如下：　　（1）针对线性条件下未知噪声特性的多目标跟踪问题，提出了一种基于Sage-Husa噪声特性估计的PHD滤波算法。该算法利用Sage-Husa自适应方法对噪声特性进行估计，并用估计值修正了后验PHD函数的更新公式，实现了对多目标状态、数目和噪声特性的联合估计。仿真表明，在噪声特性未知下，该算法的跟踪性能优于传统的PHD滤波算法，相比于基于变分贝叶斯法的自适应 PHD滤波算法，其估计误差降低30%以上，运行时间缩短70%以上。　　（2）针对非线性条件下未知噪声特性的多目标跟踪问题，提出了一种带噪声特性自适应估计的UK-PHD滤波算法。该算法基于无迹变换和极大后验估计原理，实现了在非线性高斯系统中同时对多目标状态和噪声特性进行实时估计，提高了多目标跟踪精度。仿真结果验证了该算法在未知量测噪声特性下具有较好的跟踪效果。