群目标跟踪是当前航空航天领域的研究热点之一。由于其机动模式复杂多样,群中个体数量规模较大,并且交叠现象严重,传统的多目标算法无法对其进行有效跟踪。此外,群目标的扩展状态,如大小、形状和方向的估计对于目标群的态势认知具有重要意义。本论文针对群目标跟踪中“目标运动方式的不确定性”和“量测数据与目标间对应关系的不确定性”等问题,研究了中心类群目标跟踪模型算法和贝叶斯类数据关联算法;利用群扩展状态在群目标跟踪中的特殊作用,研究了基于随机矩阵的群分离与合并算法等关键技术。主要工作如下:1.针对“目标运动方式的不确定性”,提出了一种基于综合自适应交互式多模型的中心类群目标滤波算法。算法主要针对传统多模型算法中存在的计算复杂度高、转移概率固定导致的跟踪实时性较差、误差较大等问题,首先,将交互作用器的输出值进行加权综合,使得各子滤波器选用相同的候选回波,代替了传统算法中采用不同量测集合进行状态更新,从而减小了冗余计算。其次,为了解决固定的模型转移概率带来的跟踪误差,利用贝叶斯定理及模型概率变化率修正转移概率,通过增大优势模型概率,减小模型间的不利“竞争”,提高了跟踪精度。仿真实验证明了算法的有效性。2.针对“量测数据与目标间对应关系的不确定性”,提出了一种自适应波门的多特征信息融合群目标数据关联跟踪算法。首先,通过目标的电磁辐射特征信息和运动状态信息建立候选回波与真实目标的关联度,并利用多个传感器的量测信息以实现量测的准确互联。其次,针对整体机动时关联波门内有效量测减少的问题,利用新息协方差与关联波门的函数关系,设计了一种自适应关联波门,使波门能够根据目标实时机动情况进行自适应调整。仿真表明,该方法在跟踪精度和失跟率等方面均优于传统算法。3.针对传统群跟踪算法采用单个椭圆无法准确描述群分离与合并的问题,提出了一种基于扩展状态估计的群分离与合并检测跟踪算法。在群分离场景中,利用传统随机矩阵估计扩展状态的变化率实时检测群的态势,当检测到群分离后,利用k-means聚类将分离后的量测分为若干个小群,再利用最小二乘法将各分群拟合成椭圆,进行扩展状态的实时估计。群合并相当于分离的逆过程,检测及跟踪方法与上述类似。仿真表明该方法能够较好地实现对群分离与合并的跟踪,并且克服了随机矩阵算法收敛较慢的问题。