概率假设密度(Probability Hypothesis Density, PHD)滤波和势概率假设密度(Cardinalized PHD, CPHD)滤波在贝叶斯滤波框架下，将多目标跟踪问题用随机有限集形式表示，改变了传统多目标跟踪将多目标拆分为对多个单目标分别跟踪的方式，可以处理目标的存活、新生或者分裂等情况，同时避免了复杂的数据关联。PHD滤波和CPHD滤波通过传递后验概率分布的一阶矩来代替传统贝叶斯滤波传递的后验概率分布函数，大大减少了计算复杂度，因此成为新近多目标跟踪领域研究的热点。与PHD滤波相比，CPHD滤波消除了PHD滤波在低信噪比情形下因缺乏高阶矩信息而对目标数目估计不准确的天然弊端，但计算复杂度有所增加。本文主要针对CPHD滤波的状态估计、多传感器状态融合和连续跟踪方法进行研究。1）CPHD滤波的状态估计：在原始的CPHD滤波中，目标状态仍需借助如聚类等方法进行提取，而在PHD滤波基础上提出来的STPHD(Single-TargetProbability Hypothesis Density)滤波把PHD表示为多个与观测对应的PHD分量之和，提取目标状态只需根据估计的目标数目提取相应个数的峰值最大的PHD分量即可，无需借助外部方法。由于PHD滤波与CPHD滤波在PHD的预测与更新方面存在着很多相似之处，借助对应函数便可以把STPHD滤波的思想推广到CPHD滤波当中，形成QSTCPHD(Quasi Single-Target CPHD)滤波。本文使用粒子滤波来实现基于单传感器的CPHD滤波，并使用QSTCPHD滤波提取目标状态，使CPHD滤波的状态提取与STPHD滤波一样简单准确。2）CPHD滤波的多传感器状态融合：为提高CPHD滤波的跟踪精度，可以将CPHD滤波扩展到多传感器的场景当中，使用多个传感器对观测区域进行监测。但CPHD滤波因基于随机有限集(Random Finite Set, RFS)理论而将各时刻的目标看作一个随机的、无序的集合，除能估计出目标的数目以及状态之外，无法给出目标的标识信息。也就是说，在每一时刻，CPHD滤波估计得到的目标状态虽然是真实目标运动的估计状态，却不知道是针对哪一个目标的估计。这就意味着，若要实现CPHD滤波的多传感器版本，需要一种关联方法来识别来自同一个目标的各传感器数据，以便对隶属于同一目标的状态进行融合。本文把直觉模糊集(Intuitionistic Fuzzy Set, IFS)的概念引入进来，提出了基于直觉模糊集聚类的航迹关联方法。该方法首先将各传感器估计得到的目标状态整合在一起；分析各状态之间的相互关系，尤其是状态之间的模糊关联关系，并转化成直觉模糊集的形式表示出来；最后通过聚类的过程获取各状态间的相似关系，并以此作为航迹关联的重要依据。该方法不仅将CPHD滤波推广到了多传感器领域，而且使得跟踪效果也得到了很大程度的提高。3）连续跟踪：对于多目标跟踪系统来说，仅仅获得各时刻目标的状态是远远不够的，还要知道每个目标连续的运动轨迹。CPHD滤波无法给出目标的标识意味着仅凭其自身无法获知前后时刻状态间的关联关系，也就不能为目标形成连续航迹。本文利用粒子QSTCPHD滤波方法中的粒子权值向量以及前后时刻目标的运动规律，建立相邻时刻间的粒子权值关联矩阵和状态预测关联矩阵，通过粒子权值关联矩阵主导、状态预测关联矩阵辅助相结合的方法来为目标建立一条“出现—>维持—>死亡”的完整航迹。如此而来，CPHD滤波有了完整的多目标跟踪系统，包括多传感器融合以及连续跟踪，理论体系更加完善。