地面目标具有背景信息复杂、机动性强、杂波密度大的特点,致使其状态以及数目不断变化,传统多目标跟踪算法以目标关联为核心,无法对地面目标进行准确关联,从而失效;基于随机有限集的多目标跟踪算法将地面目标以集合形式表现出来,避免了目标关联,从而适用于地面目标。本文以基于随机有限集滤波方法之一的势平衡多目标多伯努利滤波器(CBMeMBer)为主要研究对象,分别从跟踪精确度的提升和工程化实现两方面出发展开研究。在滤波精确度提升方面,首先分析比较了多种非线性卡尔曼滤波方法以及其分别与高斯混合下的CBMeMBer结合后滤波效果的提升水平;其次,针对目标的强机动性特征,利用先验信息与滤波结果之间的统计距离特性设计出一种基于多模型混合的CKF-CBMeMBer,并利用椭圆门限确定目标之间的关联阈值,以此提升滤波器的整体滤波精度。在工程化实现方面,利用均方根容积卡尔曼滤波器与CBMeMBer结合以确保滤波进程持续不断,从而提升其稳定性;并借助不同时刻目标之间的欧氏距离以及矩形门限为连续多时刻的目标建立标签关系,去除部分杂波以达到降低滤波器计算复杂度的目的。分别对跟踪精度和工程化实现两个方面的改进方法进行实验验证。首先,通过实验验证容积卡尔曼滤波与CBMeMBer结合情况下整体跟踪性能的提升水平,并通过对比基于多模型混合CKF-CBMeMBer与单模型CKF-CBMeMBer的滤波误差验证模型混合对滤波精确度的提升效果。仿真结果表明,基于模型混合的CKF-CBMeMBer滤波精度相较于单模型CKF-CBMeMBer提升了8.75%;其次,通过对比不同杂波密度下均方根容积卡尔曼滤波其与CBMeMBer结合滤波效果,验证该滤波方法的稳定性,并在此基础之上通过对比标签加入之前与加入之后的滤波情况验证其在降低计算复杂度方面的效果,仿真实验表明,标签SCKF-CBMeMBer的平均运算时间比标准CBMeMBer平均降低了2.6%。