近年来，基于随机有限集（RFS）的多目标跟踪（MTT）方法受到了研究人员的广泛关注，该方法将目标状态集合和传感器量测集合分别建模为随机有限集合。RFS理论将多目标跟踪问题描述为贝叶斯滤波问题，解决了传统多目标跟踪方法中出现的数据关联以及目标数目变化的难题。　　在多目标跟踪中，平滑（Smoothing）是一种可以进一步提高传统滤波算法性能的重要方法。与滤波算法处理不同，平滑算法通过延迟决定时刻以及有效利用后一时刻的量测数据，产生比滤波算法更好的目标估计。延迟越大，精度越高，但计算越复杂。为此，论文综合考虑延迟时刻（滞后时间）、性能的改善、平滑器的复杂性等因素，分别将概率假设密度滤波（PHD）、势概率假设密度滤波（CPHD）与平滑算法相结合，对多目标跟踪问题进行研究，主要工作如下：　　1.讨论多目标跟踪平滑算法所涉及的状态空间模型，这些模型将实际中出现的复杂问题简化，有效地促进算法的研究。　　2.在PHD滤波实现原理基础上，从预测步和更新步推导出基于PHD滤波的后向平滑步。与前向PHD递归不同，此后向平滑步不需要预先假设服从泊松（Poisson）分布。仿真实验表明，改进算法性能优于经典的PHD滤波。　　3.在PHD后向平滑递归公式的基础上，推导出性能更加优良的CPHD后向平滑递归公式，同时也推导出势分布和后向平滑多目标的所有阶分布，并将其基于高斯混合实现，得到GM-CPHD平滑器，有效减少计算量。仿真实验表明，所提平滑器的检测与跟踪性能优于未经平滑处理的CPHD滤波器。该创新工作的实际意义在于能够克服传统多目标跟踪中目标跟踪精度不高的缺点。