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。

基于有限集统计学理论的多目标跟踪技术具备严格的贝叶斯理论解释基础, 可以同时完成目标数目及状态的估计, 并避免了复杂的数据关联过程。基于高斯混合概率假设密度滤波器(GM-PHD)实现了对数目时变目标的跟踪, 准确估计出了每一时刻目标的数目。在此基础上进一步分析了目标生存概率 ps、目标检测概率 pd以及杂波密度 λc等因素对跟踪效果的影响, 为 GM-PHD滤波器在多目标跟踪的实际应用中各参数的取值提供了有益的参考。

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。

首先针对无源传感器目标跟踪中的非线性问题，将高斯-厄米特求积分规则运用于高斯混合概率假设密度滤波，提出一种求积分卡尔曼概率假设密度滤波。其次，针对未知时变过程噪声，将基于极大后验估计原理的噪声估计器运用到概率假设密度滤波中，同时依据目标状态一步预测与状态滤波结果之间的残差，提出一种对滤波发散情况判断和抑制的算法。最后通过无源传感器双站跟踪仿真表明：相较于已有的非线性高斯混合概率假设密度滤波，所提算法有更高的精度，并且在未知时变噪声环境中具有较好跟踪效果。

在多目标跟踪环境下，粒子概率假设密度(P-PHD)因杂波、漏检和非线性情况，导致滤波精度不高,跟踪发散,对此问题提出一种基于数值积分粒子概率假设密度滤波算法。利用数值粒子滤波（QPF）实现概率假设密度(PHD)，用数值卡尔曼滤波(QKF)算法得到更好的重要性密度函数，并从中采样得到粒子，使粒子的分布更接近真实的概率假设密度分布。试验仿真表明,与粒子概率假设密度和容积粒子概率假设密度滤波算法相比，所提算法的滤波精度和稳定性明显提高。关键词：多目标跟踪；数值积分粒子滤波；概率假设密度滤波；随机有限集

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。

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.

基于势概率假设密度滤波(Cardinalized Probability Hypothesis Density, CPHD)检测前跟踪(Track before detect, TBD)算法能有效解决未知目标数的弱小目标检测跟踪.文章深入研究了CPHD算法, 从标准CPHD滤波的粒子权重更新出发, 结合检测前跟踪的实际, 合理地推导出CPHD-TBD算法的粒子权重更新表达式; 分析了CPHD滤波目标势分布的物理意义, 实现了目标势分布更新计算在检测前跟踪的应用.将CPHD滤波和TBD进行有效结合, 提出了基于势概率假设密度滤波的检测前跟踪算法, 并给出其详细实现步骤.仿真实验证明提出的CPHD-TBD算法与现有概率假设密度检测前跟踪(PHD-TBD)算法相比, 能更详细地传递目标分布信息, 从本质上改变了PHD-TBD对目标数估计的方式, 能更准确稳定估计目标数, 实现了对目标的发现和状态准确估计, 性能明显更优.