多无人机协同跟踪多目标是多无人机系统的重要任务之一,其较单机跟踪方式具有更高的跟踪定位精度和更强的鲁棒性,在军用和民用领域都有广泛的应用。本文针对多无人机协同跟踪多目标任务过程中的关键问题开展研究,重点研究了基于目标聚类的多无人机跟踪策略以及有无环境信息的目标状态融合估计方法等。主要研究工作及创新点如下:（1）系统分析了多无人机协同跟踪多目标的系统架构、应用场景以及任务流程,设计了一种分层递阶分布式系统架构,该架构下无人机综合了自主决策和上级可干预的优点;给出了当前架构适用的多无人机跟踪多目标任务场景,对具体的任务流程进行了详细的阐述,并对核心模块构建了无人机平台模型、传感器模型、目标运动模型以及通信拓扑模型。（2）考虑目标数量较多,且以最少的无人机跟踪尽可能多的目标等应用场景下,提出了基于密度的目标聚类算法（DBSCAN算法）,通过计算每个目标群组的不确定度,根据聚类群组整体不确定度,首先完成单无人机的传感器规划和航迹规划,在此基础上提出了可扩展的无人机协同目标跟踪方法,并对规划过程中可能出现的任务分配冲突提出了解决办法。完成了目标聚类方法、可扩展的传感器和航迹规划方法的数值仿真实验,通过与其他算法的无人机与跟踪目标数量、跟踪时长等进行对比,证明了本文提出的方法的可靠性。（3）针对目标动态机动、机间通信延迟条件下地面运动目标状态融合估计问题,提出了无环境信息下的自适应多模型无迹卡尔曼粒子滤波融合方法和有环境信息下的变结构交互多模型粒子滤波方法。在无环境信息下的场景下,为有效提升状态估计的精度,针对目标转弯时的转弯速率不确定问题,设计了改进的转弯模型,使其能够根据量测信息实时跟进改变转弯速率;对于多模型的选择问题,提出了自适应多模型方法,使目标模型更加匹配当前目标运动状态;考虑到目标跟踪的真实情况是在非线性非高斯系统下进行,采用无迹卡尔曼粒子滤波方法对目标状态进行滤波估计,然后用联邦滤波方法对所有目标状态估计信息进行融合。在有环境信息如道路限制信息的场景下,采用基于道路限制的变结构交互多模型粒子滤波方法,可以有效提升目标定位的准确性。设计了数值仿真实验,通过与其他滤波方法的结果对比,证明了本文提出的方法具有更好的状态估计性能,能够有效提升目标定位精度。最后在外场无道路等环境信息条件下,对自适应多模型无迹卡尔曼粒子滤波融合方法设计了飞行实验,验证了该算法在实际应用中也具有精度高、稳定性好的优点。