目标关联作为信息融合和目标跟踪的重要保障,是判别来自不同传感器的信息是否源于同一目标的重要技术。舰船目标关联对海洋战场的态势估计及取得战场的主动权有着重要的作用。本文以电子侦察卫星与成像遥感卫星对海洋舰船目标的监视为基础,对舰船目标关联问题进行深入的探索,其主要工作如下:(一)针对本课题背景下观测数据来源于异质传感器而无法建立运动状态模型以及现有的目标关联算法无法较好地处理观测数据中的定位误差、虚警和漏检等问题,提出基于点对局部特征(Point Pair Local Topolgy,PPLT)的舰船目标关联算法。首先将卫星图像信息与电子信息的舰船目标位置信息关联问题转化为点模式匹配问题,分别把两者的舰船目标位置信息作为点集匹配中的模板集和目标集,提出一种新的点集形状描述子——点对局部拓扑特征(Point Pair Local Topolgy,PPLT)来描述这两个点集。然后将该描述子分别与概率松弛标记(Probabilistic Relaxing Labeling,PRL)、谱匹配(Spetral Matching,SM)相结合,提出了基于基于点对局部拓扑特征与概率松弛标记的目标关联算法(Point Pair Local Topolgy—Probabilistic Relaxing Labeling,PPLT-PRL)和基于点对局部拓扑特征与谱匹配的目标关联算法(Point Pair Local Topolgy—Spetral Matching,PPLT-SM)。最后通过模拟数据和CMU/VASC model-house数据仿真实验,验证了PPLT-PRL算法和PPLT-SM算法对出格点、噪声以及旋转都具有较好的稳健性;通过舰船编队的模拟实验,得到PPLT-PRL算法具有较好的抗虚警能力,PPLT-SM算法具有较好的抗定位误差能力,验证了两种算法的实用性。(二)针对仅使用舰船位置信息进行目标关联的性能不佳,且考虑到目标的属性特征相对位置特征比较稳定,故将两者结合,进行优势互补,提出基于点对局部特征(Point Pair Local Topolgy,PPLT)和属性信息的舰船目标关联算法。首先提取舰船目标的属性特征,将属性特征提取问题转化为目标识别问题,提出一种粗糙集和增量分层回归技术(Rough Set—Incremental Hierarchical Discriminant Regression,RS-IHDR),先运用粗糙集分别对卫星电子信息提供的辐射源的属性特征、卫星图像信息提供的舰船目标的属性特征进行约简,然后将约简后的特征输入到IHDR分类器,得到识别结果。而卫星电子信息识别的是辐射源,再运用雷达与舰船的配属情报得到舰船识别结果。然后运用D-S证据理论,把PPLT的概率分配函数与目标属性的概率分配函数进行综合,最后分别采用概率松弛标记法(Probabilistic Relaxing Labeling,PRL)、谱匹配算法(Spetral Matching,SM)寻找最优解,即提出了基于PPLT-PRL与属性特征的舰船目标关联算法和基于PPLT-SM与属性特征的舰船目标关联算法。不同场景下的实验验证这两种算法相比仅使用单一特征的目标关联算法具有更好的抗干扰性和实用性,且基于PPLT-PRL与属性特征的舰船目标关联算法具有更好的抗虚警性能,基于PPLT-SM与属性特征的舰船目标关联算法具有较好的抗定位误差性能。(三)针对现有的目标关联算法不能有效地处理舰船编队的非刚体形变和虚警等问题,提出基于非均匀高斯混合模型(Inhomogeneous gaussian mixture models,IGMM)的舰船目标关联算法。同样地,将卫星图像信息和电子信息的舰船目标位置信息关联转化为点模式匹配问题,将两者提供的目标位置信息等效为两个点集,分别提取这两个点集的形状上下文描述子(Shape Contxt,SC),然后根据SC特征相似性,构造非均匀高斯混合模型,最后运用EM算法迭代两个点集的变换关系和虚警比率。实验验证该算法不仅能很好地处理非刚体形变,并且对定位误差、虚警和漏检具有较好的鲁棒性。