本论文在国家自然科学基金(No.61171149)的支持下,对使用概率假设密度粒子滤波算法处理实时多目标跟踪问题进行了研究。论文首先在多目标贝叶斯建模的前提下,依据不同的随机有限集理论,综述了当前研究的两种热门的多目标跟踪算法：概率假设密度滤波和多伯努利滤波,详述论文主要研究的概率假设密度理论以及具体实现,并探讨了多目标跟踪算法的评估指标。在概率假设密度粒子滤波的FPGA硬件实现中,由于重采样算法固有的序贯特性,使得重采样必须在获得所有的粒子权值后才能开始,严重限制了滤波算法硬件实现的处理延时。针对这一问题,论文提出一种非序贯重采样算法,使得权值更新步骤和重采样步骤可以实现并行操作。仿真结果表明,论文提出的概率假设密度粒子滤波和传统概率假设密度粒子滤波在跟踪性能上几无差异,但基于典型多目标跟踪场景的理论分析表明,论文提出的滤波算法比传统概率假设密度粒子滤波节省了33%的处理延时,在实时性性能上表现出了极大的优势。论文对引起概率假设密度粒子滤波处理延时的权值更新步骤进行了时延分析,提出了一种基于观测值分类的概率假设密度粒子滤波的改进算法。仿真结果表明,由于论文提出的观测值分类方法剔除了大多数杂波,并将剩余的观测值具体分类为存活目标观测值和新生目标观测值,使得概率假设密度粒子滤波过程中权值更新步骤更有针对性,从而使得提出的改进算法在多目标跟踪性能和实时性性能都明显优于传统的概率假设密度粒子滤波,并具有更低的计算复杂度。