对不同传感器跟踪的目标物进行正确的多源信息融合是自动驾驶车辆进行决策控制的前提,同时也是自动驾驶汽车安全行驶的保障。自动驾驶面向复杂场景时,往往存在多目标物跟踪困难的问题。针对这一现状,本文基于随机有限集（RFS）理论,利用智能摄像头和激光雷达的数据进行改进的多目标跟踪方法研究,实现了对目标物的感知定位。主要工作内容如下:（1）采集并处理自然驾驶数据。制定自然驾驶数据采集流程,保证采集过程中数据的完备性与安全性。基于实车及相关传感器搭建数据采集平台,构建包含动态要素、静态要素、交通参与者要素、气象环境要素、车辆测试要素的具体测试场景,采集相关自然驾驶数据。对采集数据进行拆分、解析、转化,再将转化后的数据进行清洗,剔除无效字段与错误数据,保证数据的有效性与准确性。（2）基于扩展卡尔曼滤波对自然驾驶数据进行处理。传感器自身存在局限,感知过程中会受到高斯白噪声干扰,致使目标物跟踪定位存在误差。基于目标跟踪原理,结合物体跟踪轨迹运动模型及经典滤波算法,构建本文的扩展卡尔曼滤波算法,采集自车的运动信息,并将自车的GPS坐标转换成为东北天坐标,进行滤波处理,去除数据的高斯白噪声。（3）提出了优化关联门设计及轨迹融合下的多目标跟踪算法研究。设计扇形关联门,基于角度-距离的扇形门对量测集进行划分,将量测集划分为未融合数据和非融合数据。提出基于马氏距离的目标关联,将量测与量测之间建立一一对应关系。提出基于权重和修正关联目标的方法,减少真实目标与杂波之间的融合。利用高斯概率密度假设滤波器（GM-PHD）实现对目标物的跟踪,考虑到传统算法未考虑到对目标物类型的判断,提出基于矩形投票池的方法,对目标物类型进行判断。考虑到目标物在实际运动过程中运动状态不单一的情况,对静止状态的目标物,提出基于泊松分布的广义线性回归模型进行状态估计;对运动状态的目标物,利用凸组合融合算法对目标物轨迹的估计。（4）基于实车验证本文提出的优化关联们设计及轨迹融合下的多目标跟踪算法的有效性及优越性。实车搭建智能摄像头与激光雷达传感器,针对算法对不同传感器之间量测目标的数据关联与跟踪目标效果等方面展开测试,采集相关数据并进行分析。结果表明本文提出的改进的多目标跟踪算法具有有效性和较好的适用性,相比于单一传感器感知算法能提高测量精度,有效去除杂波,稳定获得每帧下真实的目标物,实现对目标物的稳定跟踪。