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。

弱小多目标的检测与跟踪是雷达探测面临的一个重要技术难点。面向复杂背景下的弱小目标探测, 提出了一种新的思路, 从3个方面对探测性能进行优化: 首先, 通过对概率数据关联算法进行改进来实现复杂背景下目标跟踪;其次, 通过自适应处理来实现斜视阵条件下非均匀杂波的抑制;最后, 通过分析目标隐藏信息来扩大目标跟踪范围, 完善目标形态。实验验证了此算法能很好地应用于跟踪波门重合性质的目标, 既能使跟踪的精确性得到保障, 又能大幅度提升关联速度, 能够很好地用于复杂背景下的弱小目标探测。

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。

针对当前红外目标检测与跟踪算法存在场景自适应能力弱、专用性强, 以及在大视场条件下, 首帧图像中小目标误检率高的问题, 提出一种红外序列图像目标自适应阈值分割、检测与跟踪方法.选取目标移动速度、目标轮廓的面积和周长、以及自适应分割阈值与感兴趣区域位置为动态变量, 建立动态决策准则.采用首帧目标检测算法计算出序列图像的第一帧图像目标的静态变量和部分动态变量, 再采用改进的局部自适应阈值分割算法分割后续帧图像, 然后利用静态与动态决策准则筛选出分割后的真实目标, 最后计算并更新动态决策准则.红外靶标测试结果表明：该方法对不同场景具有较好的适应性, 四个场景平均跟踪准确率为95.81%, 微机平台平均每帧处理时间为10.93 ms, 嵌入式平台为26.79 ms.

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。

针对光电装备的小目标检测与跟踪问题,总结分析了多类小目标检测与跟踪算法的原理和特点。从小目标的国际标准定义出发,小目标检测与跟踪算法主要分为两大类：空间滤波和时间滤波的方法。基于空间滤波的方法包括最大/中值滤波、门限检测法、二维最小均方滤波器、局部熵法、数学形态学等,基于时间滤波的方法包括多级假设检验、三维匹配滤波方法、高阶相关法、动态规划法等;通过对小目标特点的总结和各种算法的综合分析,从特定场景应用、时-空滤波结合、新理论新方法三个方面提出小目标检测与跟踪技术的发展方向,并总结指出小目标的检测与跟踪问题的本质是特征提取与滤波判决的问题。

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.

相比相控阵雷达, 多输入多输出(MIMO)雷达发射功率密度低, 在低信噪比条件下空间分集特性优势不明显, 检测概率降低。针对此问题, 提出了基于逐目标消除-动态规划的多目标检测前跟踪(TBD)算法。该算法先利用统计量筛选航迹点, 对信号进行积累, 在降低TBD运算量的同时, 减小了噪声的积累; 再采用逐目标消除的思想, 克服了动态规划的航迹分叉和仅能处理单目标的缺陷, 实现了多目标的有效检测。文中还推导了目标检测的虚警概率和检测概率, 给出了检测门限与虚警概率的关系。复杂度分析和仿真表明, 相比传统TBD算法, 所提算法的运算量明显降低; 相比传统MIMO雷达检测方法, 在相同虚警概率和检测概率条件下, 所提算法要求的信噪比降低了5 dB, 有效提升了检测性能。

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。