被动多传感器多目标跟踪技术是目标跟踪系统的重要研究内容之一,在军事和民用领域已经展现出有效而广阔的理论和应用前景。但由于飞行器性能的提高及电子对抗等技术的进步,现代目标跟踪环境发生了显著的变化,目标的强机动、背景的高杂波、观测的高虚警及目标数量的不确定等特点,使得现代被动多目标跟踪技术遇到了很大的挑战。针对上述问题,本论文重点研究了基于随机集理论的被动多传感器多目标跟踪算法。首先,介绍了被动多传感器系统的基本数据处理方法。针对数目固定的多个机动运动目标,提出了一种适用于被动观测系统的粒子滤波关联跟踪算法,有效的实现了对多个做非线性运动目标的跟踪。其次,将随机集理论引入多目标跟踪中,研究了基于随机集概率假设密度(PHD)的变维信息融合方法。针对高杂波、高虚警环境下,目标数量变化的非线性多目标跟踪问题,研究了高斯和粒子采样的PHD算法(GSPPHD)并利用拟蒙特卡罗采样对GSPPHD算法进行了改进。实验表明,提出的改进算法在保证跟踪精度的同时,降低了GSPPHD算法的计算量。另外,针对高杂波、高虚警环境下,数量变化的机动多目标跟踪问题,提出了交互多模型PHD(IMM-PHD)多传感器多机动目标跟踪算法。仿真结果表明,IMM-PHD算法对于存在大量虚警干扰的情况,仅通过获得关于目标的角度信息就能够实时有效的跟踪数量变化的多个机动目标。最后,针对随机集PHD跟踪算法难以形成个体目标航迹的问题,提出了一种新的基于随机集的Rao-Blackwellized粒子滤波(RBPF)关联算法,通过与PHD算法结合,有效的实现多目标跟踪及其航迹检测与关联。