信息融合的实质是综合利用不同视角、不同来源的多种信息,获得对事物更准确、更全面的认识和估计,该领域的主要研究内容则是建构和优化能够达到上述目的理论和方法。多目标跟踪是信息融合领域中的一个研究热点亦是其难点,基于有限集统计学理论的概率假设密度(PHD)方法体系由于克服了传统数据关联技术带来算法先于建模的困境,使建构适用于单目标和多目标的统一化滤波框架成为可能,因此,由Mahler等学者自2003年提出后一直受到持续且广泛的关注。本文将团队前期提出适用于单目标跟踪的贝叶斯滤波概率似然乘积算法扩展至混合高斯场景并与PHD体系结合,为混合高斯概率假设滤波器(GM-PHD)提供了一种新的实现方法,较好的解决了密集杂波下GM-PHD滤波器不能处理非线性多目标跟踪系统和多机动目标跟踪的问题。主要工作内容有:1.阐述了随机有限集的理论基础,其中重点介绍了最优多目标贝叶斯滤波器和其近似滤波方法概率假设密度滤波器,并给出了概率假设密度滤波器的高斯混合近似实现形式,分析了与蒙特卡洛实现方法比较,该实现形式的优缺点。2.针对非线性系统和杂波环境下GM-PHD不易实现、目标状态和数目估计精度低的问题,提出一种概率似然乘积滤波的PHD滤波器。在贝叶斯理论基础上,推导出一种新的概率似然乘积融合滤波规则,并以该规则为基础,得到一种应用范围更广的概率似然乘积融合滤波算法,在非线性非高斯系统中,该算法对单目标的跟踪性能表现优异。将概率似然乘积滤波推广到多目标跟踪中,结合PHD滤波器,对每个高斯分量进行乘积融合滤波更新。仿真实验表明,与现有的非线性GM-PHD滤波算法比,本算法工程应用方便,具有更好的跟踪性能。3.针对多目标跟踪中目标机动导致目标跟踪性能低和目标数目估计不准确的问题,结合交互式多模型思想,提出一种概率似然乘积IMM-PHD算法。该算法在GM-PHD滤波框架下,通过IMM算法完成运动模型的识别,通过概率乘积规则完成单模型下的高斯分量滤波,最后进行多模型目标状态的融合估计。仿真结果表明,本文提出的算法具有较高的稳定性和性能。