标签多伯努利(LMB)滤波器在传统多伯努利滤波器基础上引入标签空间, 能够实现真正意义上的多目标轨迹级滤波.文章对红外小目标的运动和量测进行建模, 将标签多伯努利应用到红外小目标检测前跟踪领域.在此基础上, 为了实现对运动模型时变目标的检测前跟踪, 将交互式多模型(IMM)与LMB检测前跟踪算法相结合, 提出IMM-LMB检测前跟踪算法.此外, 给出了该算法的序贯蒙特卡罗实现.仿真结果表明, 所提算法能够从输入的原始图像中直接实现轨迹级多目标检测和跟踪, 且能够在线更新多模型概率, 更好的适应多机动目标场景.

为了提高过采样体制下点目标的探测能力，提出了基于多伯努利滤波器的过采样点目标检测前跟踪方法。分析了时空过采样体制的成像过程，给出了时空过采样体制下的点目标成像模型，并将过采样观测过程等效建模为多个单采样线阵同时观测的过程。利用提出的模型，将单采样条件下的图像处理方法自然地扩展到过采样条件下。然后，根据等效观测模型，给出了针对过采样点目标的多伯努利预测和更新过程，并用序贯蒙特卡罗的方式实现了该检测前跟踪方法。最后，通过仿真实验验证了本文算法的有效性。实验结果表明：本文提出的方法能够在图像信噪比≥3的条件下，有效检测和跟踪过采样体制下的多个点目标，目标估计误差≤0.25 pixel；与单采样检测前跟踪相比，过采样检测前跟踪能够探测目标能量更弱的小目标。因此，本文方法能够满足高精度天基点目标检测跟踪的需求。

将空间邻近目标（Closely Spaced Objects, CSOs）整体建模为扩展目标（Extended Target, ET），用随机矢量和随机矩阵分别描述CSOs质心运动和扩散状态，并采用高斯逆Wishart（Gaussian inverse Wishart, GIW）概率假设密度（Probability Hypothesis Density, PHD）滤波器实现杂波和漏检条件下CSOs的稳定跟踪.修正了原GIW-PHD滤波器量测模型和形状估计的缺陷，给出新的递推表达式，并在此基础上提出一种多（形变）模型GIW-PHD滤波器，以适应CSOs分裂和融合引起的形状变化.仿真结果表明，所提算法能够有效跟踪CSOs，状态估计比原GIW-PHD更加准确，对CSOs的变化更加敏感.

分析低轨光学星座对中段弹道目标群进行组跟踪的必要性，提出了一种红外多传感器对中段弹道目标群的组跟踪新方法。该方法以概率假设密度滤波对目标群进行像平面跟踪，剔除杂波、估计目标状态和个数；以图像配准方法调整帧间目标状态估计，提高像平面目标跟踪稳定性；最后依据像平面目标跟踪结果提取目标群在像平面的质心量测，运用不敏卡尔曼滤波(UKF)以多传感器序贯滤波方式对目标群进行融合质心组跟踪。结果表明，新方法适应杂波能力强，对目标群的质心组跟踪精度优于传统方法，且有效实现中段弹道目标群的星载红外像平面稳定跟踪。

针对天基光学传感器网络对目标的定位精度分析难题，提出一种基于多因素分析的目标定位精度分析方法。首先，根据目标到光学传感器像平面的转换关系，建立目标观测模型。其次，分析目标定位过程中的各种误差源，通过引入地惯坐标系下的目标视线矢量作为中间变量，推导出目标三维位置、目标视线矢量以及目标像平面位置三者之间的误差传递矩阵。在此基础上，根据最小二乘准则建立多颗星观测时的目标定位精度理论分析模型。不同条件下的理论定位精度以及蒙特卡罗(Monte-Carlo)仿真结果验证了该理论分析模型的有效性，部分结论可以为传感器调度等工程应用提供参考。

空间邻近目标的存在对红外传感器的信号处理提出了超分辨的新要求。通过对红外焦平面的目标成像进行建模,推导了基于最小二乘准则的超分辨目标函数,针对传统最优化方法,对起始估计位置要求高、对高维目标函数计算复杂的缺点,引入粒子群优化算法,优化超分辨目标函数,联合估计出目标在红外焦平面的投影位置和辐射强度,实现对空间邻近目标的红外超分辨。结果表明,在模型最小二乘准则下,基于粒子群优化的超分辨算法性能优于传统的最陡下降法,具备更强的超分辨能力。

为了检测低信噪比下的红外弱小目标，本文将方向中值滤波与分层动态规划算法相结合进行检测前跟踪。利用背景杂波在局部空间上的相关性，提取目标在四个方向的中值进行自适应加权滤波，抑制结构性杂波分量，改善信噪声比。针对分割后的备选目标点，为了减少跟踪检测的计算量，根据真实目标运动轨迹的连续性与光滑性，利用分层动态规划算法进行多帧检测，进而对多层检测结果进行配准并做出决策。仿真实验表明方向中值滤波有效的提高了信噪比，分层动态规划算法进一步降低了虚警概率，同时大大提升了计算速度。