随着人们对于位置信息的需求逐渐增多,以及相应专业方向的深入研究,目标跟踪领域得到了更广泛的关注与推动。在跟踪的过程中,非视距传播(None-line-of-sight,NLOS)、多径效应、信道噪声等严重影响着跟踪的准确性。其中,非视距传播对定位精度的影响最大。本文较为全面的讨论和研究了在视距(Line-of-sight,LOS)和非视距混合环境下的无线定位问题,给出了两种解决方法。另外,本文将研究对象从单目标扩展至多目标,提出了基于概率假设密度的多机动目标跟踪方法。仿真结果表明,本文所提在LOS/NLOS混合环境下的机动目标跟踪方法有效可行,针对多目标的跟踪方法也能够保证较高的跟踪精度。本文首先简要介绍了目标跟踪的常见问题以及在LOS/NLOS混合环境下进行目标跟踪的研究背景与意义。简单分析了针对单机动目标跟踪和多机动目标跟踪的相关研究的发展现状。针对机动目标跟踪情景,阐述了几种经典的滤波方法,其中有Bayes滤波、扩展卡尔曼滤波(EKF)算法、无迹卡尔曼滤波(UKF)算法以及交互式多模型算法(Interacting Multiple Model,IMM),这些经典方法为后文打下了坚实的理论基础。本文的第三章重点介绍了两种针对LOS/NLOS混合环境下机动目标跟踪方法,一种是基于IMM-UKF-CS的机动目标跟踪方法,另一种是基于HIMM-UKF的机动目标跟踪方法。基于IMM-UKF-CS的跟踪方法具体来说是通过设计LOS和NLOS两种模型集来系统描述目标的运动情景,并在IMM的框架下实现模型有效切换。基于HIMM-UKF的跟踪方法则是将目标的机动性考虑进多模型框架中,在已有的IMM的框架下构建双层IMM系统,第一层与IMM-UKF-CS的策略一样,实现LOS和NLOS的有效切换,第二层则通过设定不同的运动模型实现目标机动模型的有效切换。仿真实验论证了以上两种方法的有效性。另外,本文在第四章还提出了基于概率假设密度的多机动目标跟踪方法,该方法是在随机有限集的框架下,利用概率假设密度结合UKF的方法实现对多个机动目标在强杂波环境下的跟踪。仿真表明该方法能够在多机动目标跟踪情景下,能够保障较高的定位精度与稳定性。文章在最后对前文介绍过的理论知识、算法框架等做了系统的总结与讨论,并对进一步的研究进行了展望。