针对低信噪比条件下机动目标的检测与跟踪问题，提出跳跃马尔可夫系统下的序贯蒙特卡罗概率假设密度(JMS-SMC-PHD)滤波的检测前跟踪算法。该算法在机动目标数目和模型未知情况下，直接利用红外传感器量测数据，通过在目标状态矢量中增加模型变量并利用马尔可夫模型概率转移矩阵结合序贯蒙特卡罗概率假设密度(SMC-PHD)滤波，实现机动弱小目标的检测前跟踪。仿真结果表明所提方法可以有效地实现目标的检测与跟踪。

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%.

针对现有箱粒子概率假设密度(BOX-PHD)滤波存在箱粒子冗余问题, 提出一种箱粒子划分的概率假设密度滤波多目标跟踪算法。该算法在目标状态估计的更新阶段之前, 将预测得到的每一个箱粒子划分成多个箱粒子, 从而得到等价的箱粒子集,然后对这些箱粒子集的权值利用区间量测进行更新,从而估计目标的状态及数目。该划分由于将箱粒子划分更小, 能更好地利用区间量测信息, 可以有效避免箱粒子因压缩不足而导致的估计有偏情况。仿真结果表明所提方法可以有效地提高目标的跟踪性能。

低信噪比环境下, 原始数据未知门限的机动目标跟踪是一个比较棘手的问题。提出了一种交互式多模型伯努利(IMM-Bernoulli）检测前跟踪(TBD）算法, 该算法结合交互式多模型算法对滤波器中每个目标状态的采样粒子进行预测, 利用伯努利滤波对目标粒子进行递归, 粒子更新阶段结合TBD算法进行,最终实现目标存在概率及分布密度的更新估计。算法对粒子预测时采用多个模型参与转移预测, 使得预测粒子更加接近目标真实运动状态, 兼备了伯努利TBD算法和交互式多模算法的特点, 可用于处理低信噪比环境下机动弱目标检测跟踪问题, 且对目标状态的估计更加精准。仿真实验表明, 该滤波器能够实时地估计出目标位置, 比传统的伯努利TBD算法具有更好的滤波性能。