纯方位目标跟踪作为被动目标跟踪系统的重要组成部分，主要是通过传感器被动接收目标自身辐射的信号来获取目标的方位角信息进而对目标状态进行估计，因其隐蔽性好、抗干扰能力强等优点，在军事和民用领域中具有广阔的应用前景，成为近年来国内外学者的研究热点。利用被动多传感器系统进行纯方位目标跟踪，相比单一传感器系统，能够增强系统的生存能力和覆盖范围，获得更精确的目标状态估计，是多传感数据融合领域的重要研究方向之一。本文针对被动多传感器的纯方位目标跟踪问题展开研究，取得的主要研究成果如下:　　首先，在单目标跟踪方面，提出了一种改进的高斯粒子滤波算法，该算法将扩展卡尔曼滤波中的状态更新方法引入到高斯粒子滤波中，采用扩展卡尔曼滤波的高斯估计作为粒子滤波的建议分布，有效利用当前时刻的量测信息来提高状态估计精度;另外，该算法还通过直接更新状态量的高斯分布参数来取代传统高斯粒子滤波中逐个更新粒子的方法，大大降低计算量与复杂度，仿真结果表明该算法能够在长时间跟踪中保证算法的有效性和良好的跟踪性能。　　其次，针对纯方位量测数据中存在的野值问题，提出了一种基于时间序列预测的自适应抗野值算法，首次将时间序列预测方法应用于纯方位目标跟踪的量测数据野值检测中，该算法利用量测数据的时间相关性建立时间序列预测模型，并利用卡尔曼滤波自适应更新模型参数，提高野值检测的准确度。它完全独立于目标跟踪算法，只需依据量测数据本身，与传统基于新息正交性的抗野值算法相比，更具灵活性。每个节点可以单独在本地建立时间序列预测模型，根据野值判别结果选择是否向融合中心发送量测数据，从而节省不必要的能耗。仿真结果表明该算法对孤立型和连续型野值判别同样有效，且不依赖于目标跟踪结果，适应性更强。　　再次，在纯方位目标跟踪网络的节点管理策略方面，提出了一种能量高效的节点选择算法，与全局/自治节点选择算法相比，重新定义了节点的信息效用以及传输覆盖范围，加入活动节点个数的控制策略，并将节点剩余能量引入到节点选择考量中，通过权重因子综合考虑节点信息效用和节点剩余能量两个因素，达到均衡网络能量消耗、延长网络生存期的目的。仿真结果证明了该算法的有效性，并且在算法复杂度、执行时间、目标位置估计的均方误差以及能量消耗等方面都具有优越的性能。　　最后，在多目标跟踪方面，针对多个目标机动特性不同的问题，提出将交互多模型算法引入到扩展卡尔曼，概率假设密度滤波中，将随机集理论方法推广到多机动目标跟踪领域，利用多传感器序贯融合方法实现多传感器数据融合，并重新定义了概率假设密度滤波的修剪和合并高斯分量的方法，保持不同模型间多个高斯分量的对应关系。仿真结果证明该算法用于被动多传感器多机动目标纯方位跟踪的跟踪性能良好，密集杂波环境下能够同时对目标个数和目标状态进行准确的估计。