随着对复杂系统认识的不断深化,以及估计要求乃至控制任务要求的日益提高,目标跟踪问题越来越受到相关领域专家学者的广泛关注。一方面,由于实际工程应用领域,目标运动建模和量测建模中的坐标系转换,以及分布式量测信息空间变换与配准都不可避免地造成系统模型的非线性,且传统非线性方法一般基于线性化和高斯假设,这在一定程度上影响了非线性滤波的精度以及适用范围;另一方面,面对复杂环境中的运动目标跟踪问题,杂波环境下多目标跟踪和运动模式不确定的多模型目标跟踪是目标跟踪领域国内外研究的重点,所以进一步提升目标状态与目标数目估计精度以及合理选择和优化滤波器模型成为了亟待解决的关键问题。本文在多传感器融合、多目标跟踪和多模型转换三种系统条件下的基本滤波方法基础上展开了相关研究工作,主要贡献如下:针对标准集合卡尔曼滤波实现过程中,量测噪声不确定导致自举量测采样出现一致性偏差问题,提出了一种基于Metropolis-Hastings采样的多传感器集合卡尔曼滤波算法。首先,结合多传感器量测系统的物理特性和集合卡尔曼滤波中自举量测生成机理,构建多传感器条件下自举量测集合。其次,通过对多传感器自举量测似然度求解以及在量测接受概率函数合理设计的基础上,利用Metropolis-Hastings采样策略实现有效量测的确认。新算法通过对多传感器量测中冗余和互补信息的提取与利用实现对一致性偏差的修正,进一步改善了被估计系统的滤波精度。针对杂波环境下多目标跟踪系统建模中呈现出的非线性以及量测噪声随机性对于状态估计精度和目标辨识准确性的影响,提出了一种基于一致性融合的量测自举中心差分高斯混合概率假设密度滤波算法。首先,对于系统非线性处理方面,通过中心差分卡尔曼滤波与高斯混合概率假设密度滤波的动态结合,设计一种中心差分卡尔曼高斯混合概率假设密度滤波器;其次,考虑到合理提取和利用多传感器量测中的冗余和互补信息,能够有效改善量测的稳定性和可靠性。利用量测自举采样方法构建了虚拟多传感器量测,并以量测数据间的相似程度为指标,通过一致性距离和一致性矩阵的构建,以加权融合的方式实现对虚拟多传感器量测信息的合理利用。机动目标跟踪中模型滤波器的选择和优化直接影响着运动模型和目标状态的辨识和估计精度。针对模型滤波器的性能优化问题,提出了一种基于量测自举策略的中心差分卡尔曼滤波机动目标跟踪算法。运动模型辨识采用了主流的交互式多模型结构,模型滤波器则采用基于确定性采样机理的中心差分卡尔曼滤波算法。考虑到多源信息融合在提升量测稳定性和可靠性方面的优势以及工程应用中传感器使用的硬件代价,借鉴集合卡尔曼滤波中的数据同化技术,结合当前时刻量测和量测噪声先验统计信息构建自举量测集合,利用加权融合方式实现对于中心差分卡尔曼滤波的优化。新算法在不增加物理传感器的情况下,通过提升模型滤波器性能改善了目标跟踪精度。理论分析和仿真实验结果验证了算法的可行性和有效性。