多传感器管理是依据不同的优化准则,对传感器资源进行合理分配,满足对目标跟踪的任务需求。在传感器探测系统中,能够实时调度的传感器资源往往是有限的,同时,受传感器探测能力、探测风险以及任务需求不同的限制,使得针对不同场景下的传感器管理技术研究具有重要的意义,也成为该领域科研工作者研究的热点。本文以多传感器协同跟踪目标为研究背景,以传感器管理为理论基础,以贝叶斯理论、滤波估计、加权融合、威胁评估等为技术手段,以任务需求为导向,分别设计跟踪精度、风险控制和信息增量优化准则下的效能评价函数,改进不同场景下的数据融合方法、目标风险评估准则和传感器控制策略,以实现合理分配传感器有限资源目的,提高传感器对目标的跟踪性能。本文的主要研究内容如下:针对目标探测任务中由于传感器切换带来目标跟踪不连续性,导致目标失跟、误跟的问题,提出一种基于预判准则的传感器管理算法。首先,构建以目标跟踪精度为优化准则的效能函数;其次,结合构建的效能函数和目标状态预测方差,给出用于判断异类传感器是否切换的预判准则;最后,根据预判结果,提出变加权扩展卡尔曼滤波(Changed Weighted Extended Kalman Filtering,CWEKF)算法来提高切换阶段的异类传感器的量测融合精度。仿真及分析表明,所提算法具有可行性和有效性,能有效减少异类传感器切换带来的量测跳变误差,为后续目标状态估计提供更可靠的量测信息。针对目标探测任务中由于风险评估的不确定性引起传感器分配不合理,对己方造成较大潜在风险的问题,提出一种面向风险控制的传感器管理算法。首先,通过改进威胁评估算法,提出利用动态模糊贝叶斯网络(Dynamic Fuzzy Bayesian Network,DFBN)的方法对目标威胁风险进行评估;其次,利用目标预测协方差对传感器的跟踪风险进行评估;最后,通过融合跟踪风险以及威胁风险构建效能函数,以风险最小化为优化准则,合理地分配传感器资源。仿真及分析表明,所提算法有效降低了传感器控制策略给目标量测带来的潜在风险,同时提高了目标跟踪性能。针对目标探测任务中由于多目标数量变化导致传感器量测带来的状态估计误差较大的问题,提出一种基于Rényi信息增量的传感器管理算法。首先,根据随机有限集(Random Finite Set,RFS)对多目标状态过程以及量测过程进行建模;其次,根据多目标多伯努利滤波的序贯蒙特卡洛递推过程,求解目标概率密度函数;最后,根据Rényi信息增量构建效能函数,以信息增量最大化为优化准则,对效能函数进行求解,计算传感器最优控制序列。仿真及分析表明,所提算法改善了多传感器对多目标探测的分配合理性,提高了系统对多目标数量及其状态估计精度。针对传感器管理性能验证问题,本文设计了一套传感器管理系统仿真平台。首先,给出传感器管理系统的仿真需求分析;其次,根据具体需求设计包括数据预处理、数据融合、数据分析、数据显示在内的多个功能模块;最后,利用Visual C++语言实现系统仿真平台的用户界面(User Interface,UI),并对仿真平台界面不同模块的功能进行了测试与分析。该系统仿真平台为传感器管理的工程应用提供有效的验证和评估支持。