多目标跟踪技术在面临着日益复杂的跟踪场景挑战的同时,也得到不断发展与广泛应用。群目标跟踪就是在这样的研究背景下提出的,打破了传统多目标跟踪的局限性,尤其在群组的分裂与合并问题中有着良好的表现。借鉴概率假设密度(PHD)滤波器在多目标跟踪中的优势,结合演化网络模型,本文提出了PHD群目标跟踪算法,研究了算法的高斯混合、粒子及箱粒子几种不同的实现形式,并对其作了分析总结。本文介绍了PHD滤波的基础理论知识,针对几种常见的实现形式在群目标跟踪的特性条件下加以改进,结合演化网络模型得到群目标跟踪算法。演化网络模型对群结构的构建和实时更新提供了良好的实现方式,在实现群目标跟踪的同时,也能得到群的信息。首先提出了标签高斯混合(GM)实现形式下的PHD群目标跟踪算法,保留了GM-PHD算法计算量小,易于实现等优点,结合演化网络模型对群目标的信息进行估计,同时证明了群结构信息在滤波过程中的反馈作用有助于跟踪性能的提升。并通过对比标签GM-PHD和标签高斯混合势概率假设密度(GM-CPHD)群目标算法,针对杂波率高和检测概率低的场景进行了仿真比较,结合两种算法的平均运行时间对所提出算法的适用情况进行了分析。针对序贯蒙特卡洛概率假设密度(SMC-PHD)滤波算法在目标数目较多时运算量大的问题,提出了一种基于箱粒子概率假设密度(BP-PHD)滤波的演化网络群目标跟踪算法。利用箱粒子滤波不仅可以解决量测不确定性问题,同时能够降低计算复杂度,减小运算量的优点,本文算法通过对群目标进行预测更新,并应用群演化网络模型,将得到的群结构信息反馈回BP-PHD迭代过程中,实现了群目标的跟踪和群数目的估计。对比实验表明,相比于传统粒子PHD滤波算法,本文提出的算法可以在保证跟踪效果的同时减少计算量,并且在杂波密集的条件下有更好的跟踪精度和鲁棒性。