随着现代雷达、激光、红外、声呐等传感器技术的飞速发展,多目标跟踪（Multiple Target Tracking,MTT）已成为信息融合领域的重要研究内容之一,被广泛应用于空中交通管制、导弹防御、智能监控、车辆跟踪等军事和民事领域。多目标跟踪的目的是在目标可能新生、死亡和漏检以及存在杂波和噪声干扰的复杂背景下通过传感器接收的未知来源量测估计未知且时变的目标数目和状态。此外,随着高分辨率传感器的应用,目标产生多个量测,带来对量测数目、尺寸、形状和航向等扩展状态的估计问题以及更复杂的多扩展目标跟踪问题。基于数据关联的多目标跟踪算法具有计算复杂度随目标数目增多而增加的局限性,无法解决诸多复杂多目标跟踪问题。近年来,基于随机有限集（Random Finite Set,RFS）理论的多目标跟踪算法能够避免数据关联,采用严谨简洁的有限集统计理论描述多目标跟踪问题,并迭代传播多目标后验密度,受到广泛关注和深入研究。本文聚焦雷达多目标跟踪问题,基于随机有限集理论和贝叶斯滤波框架,分别研究了未知过程和量测噪声协方差情况下的多点目标跟踪问题、多扩展目标跟踪中量测数目建模、未知检测概率估计和非椭圆目标尺寸估计等关键问题。主要内容和研究成果如下:1.针对传统泊松多伯努利混合算法中过程和量测噪声协方差未知问题,提出一种基于高斯逆威沙特逆威沙特的鲁棒泊松多伯努利混合算法。为了联合估计运动状态、预测状态协方差和量测噪声协方差,对增广状态建立高斯逆威沙特逆威沙特模型。通过将该模型引入泊松多伯努利混合,利用变分贝叶斯方法近似多目标后验密度为高斯逆威沙特逆威沙特形式,得到闭合形式的高斯逆威沙特逆威沙特泊松多伯努利混合滤波算法。仿真实验表明,与标准泊松多伯努利混合和高斯逆威沙特逆威沙特广义标签多伯努利相比,所提算法是计算复杂度和跟踪性能两方面的最佳折中滤波器。2.针对传统泊松扩展目标概率假设密度无法准确估计空间邻近扩展目标数目的问题,提出一种基于二项扩展目标概率假设密度的扩展目标跟踪方法。假设扩展目标的量测数目服从二项分布,将其引入概率假设密度滤波框架,通过有限集统计工具推导得到二项扩展目标概率假设密度,并给出高斯混合的滤波实现。仿真实验表明,与传统泊松扩展目标概率假设密度相比,所提算法能够在扩展目标紧邻时获得更好的跟踪性能。3.针对二项扩展目标概率假设密度算法中检测概率未知问题,提出一种基于贝塔高斯概率假设密度的扩展目标跟踪算法。首先假设检测概率服从贝塔分布,并给出能够迭代估计检测概率的贝叶斯估计方法。然后对包含检测概率和运动状态的增广状态建立贝塔高斯模型,并将其引入二项扩展目标概率假设密度滤波算法,推导得到贝塔高斯概率假设密度滤波。仿真实验表明,所提算法能够准确估计检测概率,能够获得比伽马高斯扩展目标概率假设密度更好的跟踪性能。4.针对传统高斯逆威沙特概率假设密度滤波器无法准确估计非椭圆目标的尺寸问题,提出一种基于改进高斯逆威沙特概率假设密度的扩展目标跟踪算法。传统高斯逆威沙特概率假设密度滤波算法假设扩展目标的形状为椭圆,无法准确估计非椭圆目标的扩展状态。所提的改进算法将非椭圆目标视为一个与目标尺寸相同的参考椭圆,设计非椭圆目标的散射矩阵,得到改进的随机矩阵方法。然后将改进的随机矩阵方法与二项扩展目标概率假设密度滤波相结合,得到改进高斯逆威沙特概率假设密度滤波器。仿真实验表明,与传统高斯逆威沙特概率假设密度滤波相比,所提改进算法能够在跟踪空间邻近的非椭圆扩展目标时获得更好的性能。