伴随着我国航运事业的迅速发展,船舶行驶的环境日益复杂,未来的跟踪系统面临着严峻的挑战。多目标跟踪一直以来是众多学者研究的重点和难点,其主要包括航迹关联和跟踪滤波两个问题,一个好的跟踪滤波算法能够大大提高目标跟踪精度。相较于一般的滤波方法,粒子滤波具有较好的鲁棒性,在解决非线性、非高斯问题上有其独特的优势。本文主要讨论和研究了多目标跟踪中的粒子滤波算法。本文首先分析了多目标跟踪及粒子滤波算法的基本概念和原理,同时对贝叶斯理论和蒙特卡洛积分进行了相关的介绍。主要讨论了多目标跟踪理论中的数据关联和跟踪滤波过程,并对常用的数据关联方法和滤波方法进行了分析比较,为后续工作做好理论基础。其次,主要研究了序贯重要性重采样粒子滤波算法和代价参考粒子滤波算法,并提出了一种高斯代价参考粒子滤波算法(Gauss Cost-reference Particle Filter,GCRPF)。该算法在代价参考粒子滤波的基础上,用高斯分布取代重采样过程,既保留了代价参考粒子滤波的优点,同时也使得算法的复杂度大大降低,从而在一定程度上提高了算法的运行速度。最后进行了仿真分析,结果表明改进算法在保证滤波效果的前提下减小了计算量,缩短了运行时间。最后,主要研究了多目标跟踪中的联合概率数据关联算法,在传统的MC-JPDA算法的基础上,提出了一种基于代价参考粒子滤波的联合概率数据关联算法C Cost-reference Particle Filter-Joint Probabilistic Data Association,CRPF-JPDA),该算法无需得知系统的统计特性,通过引入不同代价的粒子来近似观测与目标之间的关联概率,利用代价参考粒子滤波算法来对目标状态进行预测及更新,从而实现多目标跟踪。最后进行了仿真分析,结果表明CRPF-JPDA算法实现了系统统计特性未知情况下的多目标跟踪,提高了跟踪精度。