随着对海洋资源探测开发的需求不断增加以及对水中作业的需要,智能水下机器人(Autonomous Underwater Vehicle,AUV)技术的发展正日益受到国内外重视,水声探测是目前各种水下探测方式中最有效的。利用声呐可以进行海洋环境的探测和数据处理,从而判定目标的类型、方位、速度等信息。所以,基于前视声呐的水下目标探测和跟踪技术,对目标的自主识别和跟踪,以及对AUV的自主避碰、自主导航都意义重大。本论文主要研究基于水下机器人前视声呐的多目标跟踪问题。论文以单波束的前视声呐作为声视觉传感器,从声呐回波中得到水下多目标信息,并在此基础上搭建一个基于智能水下机器人的水下多目标跟踪系统。本文的具体研究内容如下:进行了前视声呐图像的处理研究。分析了前视声呐图像不同于光学图像的特点,选用中值滤波进行去噪处理,通过改进取中值算法提高了滤波速度;研究了模糊图像增强算法,通过改进模糊隶属度函数来解决经典Pal-King模糊图像增强算法中低灰度值在增强后丢失的问题;改进了基于粒子群优化(Particle Swarm Optimization,PSO)的声呐图像增强算法,通过PSO算法为增强函数选取增强效果最好的最优参数,改善了图像增强效果;利用改进的自适应双阈值区域生长算法进行图像分割,其中采用最大类间方差法(Otsu)得到低阈值;最后采用图像缺损拟合等方法对分割后的声呐图像进行形态学处理。进行了水下目标多特征融合跟踪技术研究。研究了前视声呐图像中目标的特征描述方法,提取了 30种不同的特征,并基于广义回归神经网络(General Regression Neural Network,GRNN)评判准则分别采用序列前向选择(Sequential Forward Selection,SFS)及序列后向选择(Sequential Forward Selection,SBS)这两种特征选择方法对特征进行降维,选出了最优特征组合;分析了粒子滤波以及多种特征融合策略的基本原理,针对基于前视声呐的水下多目标跟踪,提出了一种自适应融合策略以确定粒子权值,并基于声呐图像特征采用模糊控制器对加权和融合进行改进,实时在线调整特征融合策略,在乘性融合及基于模糊逻辑的加权和融合间进行切换,以适应不同的跟踪情况,并将结果与其它特征融合策略进行了对比,通过分析试验结果验证了所提自适应融合策略的有效性。进行了水下多目标跟踪数据关联的研究。针对前视声呐多目标跟踪中存在目标进入进出声呐扫描范围的特点,将轨迹管理和面向目标的跟踪方法结合起来,建立了多目标轨迹文件系统,实现了对轨迹的实时起始和终结;研究了采用最近邻数据关联(The Nearest Neighbor Data Association,NNDA)与粒子滤波(Particle Filter,PF)相结合进行水下目标跟踪,建立了 NNDA-PF算法模型。并接着提出了一种基于多特征的联合概率数据关联(The Joint Probabilistic Data Association,JPDA)与粒子滤波相结合的 JPDA-PF 算法,将目标特征匹配情况、当前的量测与目标轨迹间的关系引入粒子滤波的权值计算中,并通过设置对比试验比较了粒子滤波、NNDA-PF和改进JPDA-PF的跟踪效果,试验结果验证了改进JPDA-PF的有效性。进行了水下机器人多目标跟踪系统试验研究。研究了水下机器人声视觉多目标跟踪系统的体系结构;为验证多目标跟踪算法,进行了仿真实验、水池试验以及海上试验;大量的实际水下多目标跟踪试验结果证明了本论文提出的多目标跟踪算法的有效性、实时性,以及多目标跟踪系统的可靠性。