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%。

针对红外弱目标跟踪问题, 提出箱粒子标签多伯努利多目标检测与跟踪(Box Particle Labeled Multi-Bernoulli Detection And Tracking, BOX-LMB-DT)算法, 该算法首先通过使用均值滤波对获得的灰度图像进行降噪处理; 其次, 通过将所有像素处依强度大小进行排序, 选出强度较大的区域作为当前时刻的区间量测; 最后利用箱粒子标签多伯努利滤波(Box-Labeled Multi-Bernoulli Filter, Box-LMB)器对目标进行跟踪.仿真结果表明, 所提箱粒子标签多伯努利多目标检测与跟踪算法能够对多目标的航迹和状态进行稳定有效的跟踪, 且在相同条件下, 相较于区间量测下的LMB粒子滤波, 达到相同的跟踪性能时BOX-LMB滤波运算效率提升了22.59%.

为解决扩展目标跟踪算法量测不精确的问题, 提出一种基于箱粒子滤波的ET-CBMeMBer滤波算法。该算法基于随机集理论, 首先将扩展目标的状态集和观测集随机化, 然后基于区间分析技术, 推导了适用于区间量测的多扩展目标伪似然函数和势平衡多伯努利多扩展目标状态更新方程, 并提出了适用于区间量测的模糊ART区间量测集划分方法, 继而在量测集划分的基础上对目标进行持续稳定的跟踪。最后进行了仿真实验, 结果表明了所提算法的有效性。

介绍了一种基于蒙特卡罗方法和区间分析相结合的处理非线性动态随机系统的估计方法——箱粒子滤波算法。在递推贝叶斯估计理论框架下，分析了箱粒子滤波理论的核心思想和基本原理；研究了箱粒子滤波的性能特点，并对箱粒子滤波理论的应用进行了简单的介绍；最后，对箱粒子滤波算法进行展望，指出未来的发展方向。