多传感器信息融合(Multi-sensor Information Fusion,MSIF)技术进行目标航迹预测的本质是将多个传感器获取到的目标航迹信息进行分析与综合,从而得到更为精确的目标航迹,并且基于已有的信息,建立对应的分布式多传感器航迹预测模型,对目标未来的位置坐标进行预测。无论是军事方面,还是民用方面,获得可靠且精确的航迹预测一直是现代社会复杂背景下的一大需求。本文采用分布式航迹融合模型,主要围绕三大问题进行了详细的分析并提出了相应的解决方案:滤波预处理、局部航迹预测以及最终融合中心如何对各个传感器的局部航迹进行融合处理。首先,在实际的航迹融合系统中,传感器测量的航迹数据往往存在一定的测量误差及噪声干扰,为了减小它们对后续航迹预测及融合精度的影响,就需要对原始航迹数据进行一定的滤波预处理。针对滤波处理问题,本文介绍了测量数据的结构及所选取的坐标系,并针对实际中传感器测量方差未知的前提下,在基于距离的加权去噪滤波算法的基础上,提出了一种非对称加权滤波算法。该算法融合了Kalman滤波及距离加权算法的优点,通过仿真证明改进的算法在滤波效果上与原算法相比性能更加卓越。其次,针对局部航迹预测的结构进行了相应的分析,并引入了时间序列预测的思想对航迹序列进行预测。本文对模糊神经网络(Fuzzy Neural Network,FNN)算法的结构及预测思想进行了详细的分析,并提出了滑窗法来限定航迹预测网络输入数据的维数。同时,针对FNN对初始化参数敏感的问题,采取改进的粒子群算法对FNN进行优化(PSO-FNN),大大提升了算法性能。为了进一步解决数据量较少时FNN不适用的问题,提出了一种灰色预测与FNN加权的混合预测算法,并通过仿真验证了该算法与单纯的PSO-FNN相比具有更好的性能。最后,介绍了航迹融合结构模型并分析局部航迹融合处理的相关算法。首先对传统的模糊神经网络进行航迹融合的算法进行了分析。针对传感器测量方差未知及传感器测量方差的求解比较复杂的问题,本文提出了一种改进的加权航迹融合算法,该算法融合了多传感器支持度的思想。该能够动态的将多个传感器的局部预测航迹融合以产生新的目标航迹,并且与传统的加权融合算法相比无需求解传感器方差,通过与传统FNN融合算法和等权值加权融合算法的均方误差进行对比,验证了该算法具有更好的融合精度。