在真实的交通环境中对周围的多个运动目标进行跟踪,经常容易出现前方的运动目标被遮挡或传感器被短暂遮挡等情况。这时传感器检测到的运动目标外形特征信息和质心坐标信息都会发生变化,进而导致对运动目标的跟踪出现不稳定甚至失效的问题。针对这一问题,本文对多目标跟踪的相关技术进行研究。（1）设计了基于多线激光雷达的检测目标遮挡等级以及分级依据。以汽车为主要研究对象,将基于多线激光雷达的检测目标分为无遮挡、轻度遮挡和重度遮挡三个等级。并通过实验确定了分级依据:遮挡前后检测目标激光点云的数量比值在70%以上时,检测目标为无遮挡状态;遮挡前后检测目标激光点云的数量比值在50%～70%之间时,检测目标为轻度遮挡状态;遮挡前后检测目标激光点云的数量比值在50%以下时,检测目标为重度遮挡状态。（2）改进数据关联算法,提高多目标跟踪在遮挡环境下的精度。首先使用跟踪双波门滤波算法,筛选出跟踪目标质心坐标一定范围内的检测目标,减少关联度的计算量。接着针对不同遮挡程度的检测目标,使用不同的关联度计算方法。对于没有遮挡的检测目标,参考Apollo提供的关联度计算方法;对于轻度遮挡的检测目标,使用基于端点坐标的关联度计算方法;对于重度遮挡的检测目标,不对其进行关联度计算。通过设置检测密度阈值和丢帧密度阈值方法,保证突然出现的障碍物不会成为立刻成为新的跟踪轨迹,短暂丢失检测目标或是出现重度遮挡的跟踪轨迹不会立刻消失。通过实验表明:当检测目标在轻度遮挡状态时,使用改进的数据关联算法比常用方法计算出的关联度准确率高5%到10%,且跟踪轨迹更加稳定。（3）将车辆的定位信息和检测目标信息融合,得到运动目标在全局坐标系下的坐标信息。利用全局坐标进行状态估计,避免了自动驾驶车辆给运动目标状态估计带来的影响。并通过实验验证了:使用全局坐标比雷达坐标能够更加准确的估计出运动目标的运动状态。其次利用改进交互式多模型算法,使得自动驾驶车辆可以同时对不同的模型进行跟踪。通过仿真对该算法计算出的运动目标状态与原数据进行比较。结果显示:该算法在运动目标进行直线和曲线运动时,均能够准确的获得目标的状态。