随着无人机的快速发展,城市环境中对无人机的监管成为一个亟待解决的问题。当前常见的监管手段主要是对无人机目标进行定位与跟踪。传统的无源定位方法如线性迭代方法需要通过猜测初始位置来获得位置估计,并且还存在局部收敛问题。两阶段加权最小二乘（Two-Stage Weighted Least Squares,TSWLS）方法被提出来解决这些问题,利用多台接收机接收到信号的到达时间差（Time Difference Of Arrival,TDOA）和到达频率差（Frequency Difference Of Arrival,FDOA）来计算运动目标的位置和速度的代数解。该方法通过引入扰攘变量从而分两步求解非线性估计问题,并且每一步都是最小二乘问题。该方法和传统无源定位相比具有封闭解、低计算复杂度等优点。一些传统关联算法中一个量测只允许与一个目标相关联,其计算复杂度在多目标跟踪中是和目标数目及量测个数呈指数增长的,而概率多假设跟踪算法（Probabilistic Multi-Hypothesis Tracker,PMHT）假设一个目标可以与多个量测相关联,很好的解决了这一问题。对于机动目标场景下,也具有很好的跟踪性能。通过结合多模型（Multi-Model,MM）和PMHT的MM-PMHT算法是本文研究的重点。其主要内容为:1、介绍了TSWLS算法,着重讲述了非线性估计和加权矩阵求解问题,通过引入扰攘变量并且将最小二乘估计分成两步来解决非线性估计问题。通过最小化参数方法来找到最优的加权矩阵。2、介绍了MM算法和PMHT算法。MM算法核心是给定个模型集,然后用该模型集中尽可能多的运动模型去匹配当前目标的运动状态,然后对所有匹配到的模型进行滤波融合从而得到目标的状态估计。而PMHT中假设一个目标可以和多个量测产生关联,计算复杂度与目标和量测个数呈线性增长,同时还具有易于扩展的优点,适合多机动目标跟踪场景。3、针对多径干扰下的无源定位问题,提出了一种利用多路径的两阶段加权最小二乘方法（Multi-Path Two-Stage Weighted Least Squares,MP-TSWLS）。该算法利用直达量测和反射点产生的多径量测共同对目标进行定位估计,不仅消除了多径干扰,而且通过利用多径信息提高了定位精度,同时由于增加的多径量测的存在,也解决了原TSWLS算法在传感器共面时无法定位的问题。最后通过仿真分析对比,验证了MP-TSWLS算法定位的有效性以及优越性。4、通过引入泊松速率的MM-PMHT算法进行无人机目标跟踪。在已有的MM-PMHT算法基础上,通过引入泊松速率来表征模型的存在性。该参数可作为机动模型管理的重要指标,从而对算法中冗余的机动模型进行实时删减,减小算法复杂度。