多输入多输出(MIMO)雷达作为雷达研究的新兴领域,通过设置多个发射站发射不同的波形信号(通常设置为正交信号),多个接收站对经过目标反射的信号进行匹配滤波并进行联合处理,实现信号在空间范围内的多通道并行传输和接收。与传统雷达相比,MIMO雷达的目标分辨能力更高,角度估计也更加精确,可以提高目标在复杂环境下的检测与跟踪性能。其中,分布式MIMO雷达由于其特殊的布站方式,能够获取较大的空间分集增益,但是这种空间分集增益在低信噪比下并不明显,因此一种提高MIMO雷达在低信噪比环境下检测与跟踪性能的可行方法是使用TBD技术。TBD技术直接对原始数据进行处理,进行长时间的非相参积累,最后同时给出检测和跟踪结果,是解决微弱目标检测跟踪的有效手段。本文围绕分布式MIMO雷达场景下多目标检测和跟踪问题,重点研究了基于随机集理论的多目标检测与跟踪算法,以及适应于低信噪比环境下的基于概率假设密度(PHD)的检测前跟踪算法。首先,针对目标数未知或时变情形下的多目标跟踪问题,本文介绍了随机集相关理论,重点研究了基于随机有限集理论的概率假设密度滤波算法,并介绍了PHD滤波的两种实现形式:高斯混合PHD和粒子滤波PHD。针对高斯混合PHD,分析了改进的带有平滑器的高斯混合PHD,并在仿真实验验证了高斯混合平滑PHD对目标状态提取更加精确;针对粒子滤波PHD,研究分析了基于当前观测信息的改进重要性密度函数的粒子滤波PHD,仿真实验验证了这种改进方法的性能更优。其次,针对多个微弱目标的检测与跟踪问题,本文重点研究了适用于检测前跟踪框架的PHD滤波器,并就其粒子滤波实现方式中计算量大,粒子使用率低、滤波精度差等问题,优化了粒子新生机制,提出了改进的粒子滤波实现的PHD检测前跟踪算法。仿真结果表明改进算法一定程度上提高了目标状态估计性能。最后,针对分布式MIMO雷达,重点分析了MIMO雷达的信号模型和观测模型,针对MIMO雷达的多传感器信息融合问题,采用了联合融合滤波的策略,研究出一种多传感器检测前跟踪处理方法。仿真结果表明这种算法适用于MIMO雷达场景,且提高了雷达目标的检测跟踪性能。针对仿真中目标交叉引起的目标丢失问题,采用了聚类判断策略,研究了适用于邻近弱目标的检测与跟踪算法。