针对带标签的高斯混合概率假设密度滤波算法无法获取衍生目标的问题，提出一种可以提取衍生目标的带标签GM-PHD 算法。首先，通过为高斯项加注标签的方式区别不同的目标，以辨别单个目标及其航迹。其次，在滤波过程中，对每一时刻得到的状态估计值与已形成的航迹标签进行匹配关联，实现航迹维持。最后，通过设置衍生阈值来判断状态估计中是否存在衍生目标以及可能产生的目标个数，为新生目标高斯项和可能的衍生目标高斯项重新分配标签，并创建新的航迹。仿真实验结果表明，与传统的带标签GM-PHD 算法相比，在衍生目标存在的情况下，改进算法具有更好的跟踪性能。

针对杂波环境下标准的势均衡多伯努利滤波器不能有效跟踪多机动目标的问题，本文提出了一种新的多机动目标跟踪算法。该方法将势均衡多伯努利滤波器与“当前”统计自适应模型相结合，对目标的运动状态矩阵进行扩维，改变了目标状态转移矩阵和过程噪声方差，增加控制矩阵，实现目标加速度的自适应调整，从而使新算法能够适应目标运动状态的变化。仿真结果表明，在机动条件下，新算法能有效地跟踪多机动目标，而且跟踪精度较高。

在弹道导弹防御系统中，群目标跟踪是目前较为困难的问题之一。这些目标不仅具有相似的运动特性，且相互邻近，又由于红外光学探测器的特性和分辨率的影响，使得它们在像平面不再是点目标而是簇状像斑。因此，“一个目标至多产生一个量测”的传统多目标跟踪方法不再适用。为了实现对该类目标的有效跟踪，提出了一种新型滤波算法。该算法视群目标为一个整体，用椭圆随机超曲面模型描述其扩散程度，并将其与扩展目标高斯混合概率假设密度(PHD)滤波器相结合，通过跟踪群质心和扩散程度实现对像平面群目标的跟踪。通过仿真对比，所提算法在质心状态和扩散程度的估计精度方面均明显优于基于随机矩阵的高斯逆韦氏分布的概率假设密度滤波器。

基于随机有限集理论的多目标跟踪方法, 能够避免数据关联步骤的困扰, 能够较好地解决复杂环境中目标数目未知且随时间变化的多目标跟踪问题。本文分析基于数据关联和基于随机集理论的多目标跟踪方法, 阐明基于随机集理论的多目标跟踪方法的特点和优点, 对目标状态提取、航迹关联、更准确的滤波算法, 以及复杂条件下的 PHDF算法等关键问题进行总结和评述, 并指出该领域今后的研究热点。

基于概率假设密度滤波(Probability Hypothesis Density，PHD)的检测前跟踪(Track before detect, TBD)技术可以有效解决未知目标数的弱小点目标检测前跟踪问题.文章针对现有PHD-TBD算法存在目标数估计不准、目标发现延时较久的问题进行研究.从标准PHD滤波出发，更为合理地推导出PHD-TBD算法的粒子权重更新计算表达式，实现对目标数的准确估计; 同时利用贝叶斯滤波理论，推导出基于量测的新生粒子概率密度采样函数，完成对目标的快速发现.仿真实验表明，与现有的PHD-TBD相比，改进算法能够适应目标扩散情况，准确估计目标数目，并实现对目标的快速发现和位置准确估计.

基于概率假设密度滤波（PHD）的检测前跟踪（TBD）技术可以有效解决未知弱小多目标检测问题。PHD-TBD算法粒子权重计算受量测噪声影响明显，导致目标数估计存在起伏现象，制约了PHD-TBD算法性能。对PHD-TBD技术进行研究，引进概率假设密度滤波平滑器，提出基于平滑的PHD-TBD算法。该算法对当前帧目标数估计时，综合利用前向递推和后向平滑结果对粒子权重进行更新，在一定程度上克服了随机量测噪声的影响。通过仿真验证，该算法能够有效发现目标，准确估计目标数目和位置，性能有较大提高。

针对杂波环境中传统同步定位与地图创建(SLAM)算法无法有效表达传感器多种信息以及容易发生错误数据关联的问题, 提出一种基于概率假设密度滤波的SLAM算法。该算法将每一时刻传感器的观测信息和环境地图表示为随机有限集, 建立联合目标状态变量; 通过概率假设密度(PHD)滤波对机器人位姿和环境地图状态进行同时估计, 并利用粒子滤波实现PHD滤波。在进行目标状态提取时, 为避免聚类算法引入的误差, 对粒子集进行时滞输出。提出的SLAM算法能准确表达观测的不确定性、漏检以及杂波引起的虚警等多种传感器信息, 且避免了数据关联过程, 使系统状态估计更接近真实值。仿真实验结果表明：与传统SLAM算法相比, 新算法的机器人定位及环境构图精度提高了50%以上, 为杂波环境下SLAM问题的研究提供了新的途径。