从上个世纪40年代以来,目标跟踪已经逐渐成为了一个备受关注的研究课题。它的应用价值首先体现在军事及航空领域,其中典型的应用包括雷达探测,声预警,导航,空中交通管制等。目标跟踪作为许多发达国家密切关注的问题,其研究难点在于以下三个方面:1)战场环境的不确定性;2)目标状念的不确定性;3)传感器量测的不确定性。战场环境的不确定性主要体现在复杂的电磁干扰,环境杂波等。目标状念的不确定性表现为目标数目不断发生变化,诸如目标被击落,新目标的出现,目标的衍生,未知的目标运动模型以及目标类型等。量测不确定性包括各传感器固有的随机量测噪声,纯方位量测时量测空间不完全可观等。　　针对以上问题,本文的研究工作可以总结为以下几点:　　1.基于Fisher信息矩阵优化指标的无源定位与跟踪的观测轨迹优化策略。纯方位无源定位与跟踪时,观测平台的运动方式对目标最终的定位精度有重要影响。论文基于对系统Fisher信息矩阵的分析,提出了一种观测轨迹的单步优化策略。针对机动目标的Fisher信息矩阵难以给出解析表达式,论文给出了基于仿真技术的观测器轨迹高度与速度优化方法。　　2.目标联合状态类型密度表示的跟踪门技术。将目标的属性或特征信息合并到经典的跟踪门技术中,在有效减小跟踪门体积的同时,提高量测到航迹关联的正确概率。对于不同的目标类型,它们的运动特征也是不相同的。论文使用一套特定的模型集来表征不同的目标类型。首先为每一种目标类型,构建独立的以类为条件的跟踪门;然后将传感器获得的量测数据依类型放到各自的类条件跟踪门中检验,从而得到有效的量测。　　3.合并目标类型信息的联合目标跟踪与分类算法。算法将目标的类型或属性信息结合到传统的概率数据关联过程。首先,定义一个混淆矩阵用于表征目标类型的不确定性;然后使用贝叶斯分类器估计目标的类型;根据贝叶斯分类器的类型输出,目标的类型信息以加权的形式合并到传统的概率数据关联算法中;最后使用合并类型信息的概率数据关联滤波器得到目标的跟踪轨迹。由于目标类型信息的引入,在很大程度上提高了传统概率数据关联的关联正确率。　　4.基于随机集的多目标联合检测、跟踪与识别技术。多传感器多目标的联合检测、跟踪与识别技术是多源数据融合问题中的一个难点。传统的方法通常是将目标的检测,跟踪及识别分别使用独立的模块或算法来处理。同传统的方法相比,有限集多目标的跟踪系统完全避免了数据关联的过程。然而,由于还存在很多没有解决的问题,有限集跟踪方法还不能完全的应用于实际的工程实践。多假设概率密度滤波器是基于有限集理论的贝叶斯滤波器的近似。它通过传播目标有限集的一阶矩或强度函数来递归的预测及更新全局状态,在多假设概率密度算法中,目标的数量、状态及它们的身份可以在一个滤波周期同时完成。