多目标跟踪算法在航空航天，计算机视觉，监测与自动控制等热门领域有着广泛的应用。近10余年以来，基于有限集统计理论(Finite set statistical theory, FISST)，将多目标建模为随机有限集(Random finite set, RFS)的多目标跟踪算法因为其“工程友好”性得到了广泛关注与研究应用。然而FISST类算法，多是在先验信息已知的背景下进行推导，如已知杂波模型等等。另外，根据滤波器的多目标密度建模形式的不同，针对其在多传感器背景下的迭代式推导也有着根本性的不同。
　　本文考虑共轭密度建模方法，针对以上问题，本文首先推导了一种自适应杂波率泊松多伯努利混合(Poisson multi-Bernoulli mixture，PMBM)迭代式结构，在此基础上实现自适应杂波率泊松多伯努利(Poisson multi-Bernoulli，PMB)滤波器。然后，利用多传感器量测空间划分思想，设计了一种集中式多传感器PMBM迭代式结构，在此基础上实现多传感器PMB滤波器。最后，实现了一种新型结构多目标多伯努利(Multi-target multi-Bernoulli，MeMBer)滤波器，在此基础上设计了新型的两步划分算法，将单传感器算法推广到集中式多传感器应用背景。具体研究内容归纳如下：
　　首先，多目标跟踪算法在应用时需要输入许多先验信息。当算法应用于某些先验信息未知的环境下时，需要将多目标跟踪器设计为自适应结构。采用将未知杂波率建模为伽马分布的方法，本文推导了具有自适应未知杂波率能力的自适应杂波率PMBM迭代式。针对迭代式的具体实现问题，将其设计成类似于多假设跟踪(Multi-hypothesis tracking，MHT)算法的数据结构，并采用Gibbs采样算法解决实现过程中涉及的排位分配问题。在每次更新步骤后，将多伯努利混合(Multi-Bernoulli mixture，MBM)密度近似为多伯努利(Multi-Bernoulli，MB)密度，最终得到自适应杂波率PMB滤波器。仿真结果证明，所提算法可以对未知杂波率以及多目标状态信息进行实时联合估计。
　　其次，基于两步多传感器量测空间划分算法，推导得到多传感器PMBM迭代式。推导的关键在于适应量测集划分算法的多传感器量测似然函数的设计，从而基于概率生成泛函(Probability generating functional，PGFl)与泛函微分理论对PMBM迭代式进行重新推导。针对传统两步划分算法存在的无法对近距离多目标进行正确的量测空间划分问题，提出了一种改进方法，仿真证明所提的改进方法可以使滤波器对近距离多目标进行稳定跟踪。
　　再次，针对MeMBer滤波器因为采取两种强近似手段导致的无法应用于具有挑战性的跟踪环境的问题，提出了基于共轭分布的新型结构MeMBer滤波器，仿真证明所提算法不仅可以应用于更有挑战性的跟踪环境，且跟踪性能优于标签多伯努利(Labeled multi-Bernoulli，LMB)滤波器。
　　最后，提出了一种新型的基于边缘概率分布计算的两步多传感器量测空间划分算法，在此基础上将新型结构MeMBer滤波器的多传感器形式。仿真证明所提算法不仅可以跟踪近距离多目标，且计算效率优于传统的多传感器MeMBer滤波器。