弱小目标的检测与跟踪是红外预警系统、精确制导系统、卫星遥感系统中的一项关键技术。在长距离衰减和强噪声影响下,传感器接收的目标信噪比极低,此时传统的目标检测与跟踪方法已很难满足要求。近年来出现的检测前跟踪(TBD)方法为解决此问题提供了一条有效途径,这种方法集检测和跟踪于一体,在充分利用未经阈值化处理的传感器数据的基础上,通过时间积累目标能量,从而提高信噪比,实现对弱小目标的检测与跟踪。基于粒子滤波(PF)的TBD算法性能优越,但粒子滤波一般需要大量的随机样本才能保证其性能,而大量随机样本的预测、更新和重采样计算使得粒子滤波很难满足工程上的实时性要求。本文重点研究了基于粒子滤波的TBD算法,采用多种技术减轻算法的计算负担,提高算法的实时性。首先,通过对红外弱小目标模型研究分析,提出一个基于边缘化粒子滤波的TBD算法。该算法的特点在于采用边缘化方法,把目标状态中具有线性高斯特征的目标速度状态分离出来,对其使用线性最优的卡尔曼滤波,而目标位置、强度等非线性状态则仍用粒子滤波处理。这样不仅降低了粒子滤波估计状态的维数,大大减少了计算量,而且还提高了算法在低信噪比下的检测性能和跟踪精度。其次,用一种误差收敛更快的拟蒙特卡罗(QMC)积分替代粒子滤波中传统的蒙特卡罗(MC)积分方法,提出一个改进算法:基于拟蒙特卡罗的高斯粒子滤波(QMC-GPF)。由于QMC积分能用较少的、分布规整的样本点达到MC积分的精度,该算法能在保证精度的前提下节省了大量计算负担。最后,在QMC-GPF算法的基础上,利用滤波状态协方差矩阵在跟踪过程中的收敛特性构建判断逻辑,实现目标检测。算法结构简单,计算量小,仿真实验和实测数据实验显示,该算法对3dB以上的目标具有良好的跟踪检测能力。