多目标跟踪技术作为信息融合领域的重要研究方向之一,在军事和民用领域都具有广泛的应用。传统的多目标跟踪方法是通过解决目标和传感器量测之间的匹配关系来处理数据关联问题,但随着跟踪场景中目标数增多、探测率低和杂波密集等因素的影响,数据关联会变得异常复杂且难以计算。概率假设密度(Probability Hypothesis Density,PHD)滤波器为多目标跟踪问题提供了一种新的解决方法,该方法基于随机有限集(Random Finite Set,RFS)理论,在一个统一的概率密度空间内对目标集合和量测集合进行描述,从而避免了数据关联过程。尽管如此,目前关于PHD滤波的研究尚未成熟,这是因为传统的PHD滤波器大多是针对单传感器提出的,然而在复杂场景中很难依靠单传感器对目标做出精确跟踪,此时需要融合多个传感器的数据来达到相应的跟踪要求。为此,本文基于高斯混合概率假设密度(Gaussian Mixture Probability Hypothesis Density,GMPHD)滤波方法,对同步和异步条件下的多传感器多目标跟踪问题展开研究,主要内容如下:1)针对复杂环境下单传感器GMPHD跟踪方法性能较差的问题,构建了一种序贯多传感器融合结构,并提出一种基于GMPHD滤波的多传感器融合算法,其次针对序贯融合方式中融合顺序敏感和融合权重的平衡问题,提出一种非平衡权多传感器自适应排序方法。实验结果表明,本算法与传统算法相比,能够有效提高目标跟踪精度。2)针对随机有限集下的多目标跟踪问题,提出一种基于迭代更新的多传感器GMPHD自适应融合算法。首先基于GMPHD滤波构建了一种多传感器迭代更新融合结构,然后基于该结构提出一种多传感器GMPHD跟踪算法,最后研究了观测质量不同的传感器迭代顺序对融合结果的影响,提出了一种多传感器自适应排序方法。仿真结果表明,当传感器观测质量存在差异时,本算法具有更好的融合效果。3)针对异步问题,提出了一种基于状态外推的异步多传感器GMPHD融合方法。首先构建了一种异步多传感器GMPHD融合结构,然后提出一种基于状态外推的时间配准算法,最后为了融合各传感器的后验估计,提出一种改进后的协方差交叉融合方法。与单传感器GMPHD方法相比,本方法所得到的目标估计精度更高,鲁棒性更好。