针对传统检测方法在检测和跟踪微小卫星时存在若设置的检测门限较高可能造成目标丢失、若设置的门限较低则会导致大量虚警的缺陷, 将检测前跟踪的基本理念运用到具体场景中, 提出了一种对微小卫星的检测前跟踪(TBD)方法;建立了红外传感器观测模型, 推导了有关检测前跟踪算法, 设计了粒子滤波的具体实现步骤;最后进行了仿真实验, 验证了模型和算法的有效性。

针对由于粒子匮乏辅助粒子滤波检测前跟踪(APF-TBD)无法获得较好的检测和跟踪性能的问题，提出了一种基于优化遗传重采样的辅助粒子滤波检测前跟踪(OGRAPF-TBD)方法。在APF-TBD的重采样中应用优化后的遗传重采样算法，在重采样中根据权重选择优质粒子，通过排序分组交叉和变异操作得到新粒子。该方法不仅能保留APF-TBD通过优化重要性分布函数提高采样粒子准确性的优势，而且将优化后的遗传重采样思想引入重采样还能有效地解决粒子匮乏问题，增加有效粒子数目。仿真结果表明，相较于APF-TBD方法和粒子滤波检测前跟踪(PF-TBD)方法，OGRAPF-TBD方法具有更高的目标发现概率和跟踪精度，以及更强的适用性。

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。

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。

针对目标影响区域重叠时的图像目标检测前跟踪问题, 推导了基于多伯努利滤波器的多目标联合检测与跟踪算法.在分析多个目标叠加条件下观测似然函数的基础上, 利用预测得到的目标状态对观测似然函数进行估计, 从而消除目标叠加对观测更新带来的影响.该方法在目标预测与跟踪阶段皆保持了目标状态的多伯努利分布特性, 是较为严格意义上的多伯努利多目标滤波器, 可应用于一般图像观测条件下(目标重叠或非重叠)的目标检测前跟踪.给出了该算法的实现步骤, 并通过加标签的方法, 更准确地实现目标轨迹提取和虚假目标剔除, 最后通过计算机仿真实验验证了所提算法的有效性.

传统的基于帧间非相参积累的检测前跟踪方法对单帧信噪比要求较高，信号有效积累时间较短。提出了一种基于相参积累的粒子滤波检测前跟踪算法，在跟踪算法部分分别对目标时延、速度和强度信息进行采样，得到目标的状态估计; 在检测算法部分根据目标时延估计重新设计匹配滤波器，并对回波信号再次进行匹配滤波，将回波信号的时延补偿掉，之后进行积累检测。仿真结果表明：在-5 dB这个极低信噪比条件下，该算法具有较高的跟踪精度，延长了信号有效积累时间，提高了信号检测性能。

针对临近空间高超声速目标检测前跟踪问题，提出了一种基于随机Hough变换的检测前跟踪算法。通过对临近空间高超声速目标量测数据进行误差分析，采用时间-径向距离平面进行随机Hough变换，将量测转换到参数空间，并通过计算分析得到参数空间中进行参数合并时允许误差的选取标准，对目标量测进行积累。通过仿真对算法有效性进行了验证，并将本文算法与标准HT-TBD算法进行了比较分析。仿真结果表明，相比于标准Hough变换，本文算法能够有效减少算法运行时间和虚假航迹数，对临近空间高超声速目标进行有效检测。

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.

针对超低信噪比条件下的弱小目标检测跟踪问题, 本文提出一种新的动态规划检测前跟踪算法。首先, 基于相邻帧的幅值关联函数, 提出一种新的值函数构建方法, 不仅考虑当前帧的幅值信息, 还利用了相邻帧的幅值关联信息。其次, 为解决新生目标或目标湮灭的情况, 提出一种基于动态门限的遍历状态回溯算法。与同类算法的仿真分析说明, 所提算法能有效提高超低信噪比条件下的弱小目标探测性能。

现代雷达需要有较好的低截获特性，同时在大量低雷达有效截面(RCS)目标出现后，为了增强雷达对这些目标的探测能力，通过降低信号处理的检测门限，然后采用数据处理的方法，沿目标的运动路径将回波幅度进行非相参积累，提高目标探测能力。机载雷达由于载机载重量、体积以及功耗的限制原因，采用复杂的数据处理技术提高探测距离尤为重要，进而也需要系统具备更高的数据运算能力。本文采用检测前跟踪技术(TBD)提高目标探测距离，并采用适当的并行处理体系来实现系统的高性能运算，对某机载雷达的实际飞行试验数据进行处理，结果表明该方法明显提高了系统探测性能。