针对目标检测概率较低导致单个传感器无法对目标进行有效检测并跟踪的问题，本文提出了多传感器箱粒子概率假设密度（multi-sensor box particle probability hypothesis density filter, MS-BOX-PHD）滤波器。MS-BOX-PHD滤波器首先将多个传感器的量测转换、融合成为一个量测集合，并利用箱粒子概率假设密度（box particle probability hypothesis density filter, BOX-PHD）滤波器对多个目标的状态进行预测和更新。数值实验表明，相较于单传感器箱粒子概率假设密度（Single-BOX-PHD）滤波器， MS-BOX-PHD滤波器在目标检测概率较低时，能够有效地对多目标的状态和数目进行估计；相较于区间量测下多传感器标准 PHD粒子（multi-sensor standard probability hypothesis density particle filter with interval measurement, IM-PHD-PF）滤波器，在达到相同的跟踪性能时，计算效率提升了 38.57%。

针对红外弱目标跟踪问题, 提出箱粒子标签多伯努利多目标检测与跟踪(Box Particle Labeled Multi-Bernoulli Detection And Tracking, BOX-LMB-DT)算法, 该算法首先通过使用均值滤波对获得的灰度图像进行降噪处理; 其次, 通过将所有像素处依强度大小进行排序, 选出强度较大的区域作为当前时刻的区间量测; 最后利用箱粒子标签多伯努利滤波(Box-Labeled Multi-Bernoulli Filter, Box-LMB)器对目标进行跟踪.仿真结果表明, 所提箱粒子标签多伯努利多目标检测与跟踪算法能够对多目标的航迹和状态进行稳定有效的跟踪, 且在相同条件下, 相较于区间量测下的LMB粒子滤波, 达到相同的跟踪性能时BOX-LMB滤波运算效率提升了22.59%.