多目标跟踪（Multiple Target Tracking,MTT）起源于二十世纪中叶,是指利用传感器所接收到的量测数据,对观测场景中的目标进行状态和数目估计的一种技术。因此,量测数据的准确性关系到传感器跟踪效果的优劣,然而,在实际应用场景中,很难建立量测噪声的准确模型,传统多目标跟踪算法的跟踪性能也因此大幅度降低。为了解决量测噪声未知对目标跟踪效果造成的影响,本文主要研究将变分贝叶斯（Variational Bayesian,VB）方法应用于势均衡多目标多伯努利（Cardinality Balanced Multi-Target Multi-Bernoulli,CBMe MBer）滤波算法中。针对未知量测噪声的CBMe MBer滤波算法在单传感器目标、多传感器目标以及多扩展目标中如何实现自适应地跟踪进行深入研究。主要内容概括如下:首先,对变分贝叶斯方法的基本概念和原理进行了研究,然后给出了高斯混合CBMe MBer（Gaussian Mixture CBMe MBer,GM-CBMe MBer）滤波算法的实现过程。针对传感器中未知量测噪声的问题,设计了结合算法VB-GM-CBMe MBer的滤波实现过程,使其在滤波过程中同时进行量测噪声协方差的估计,并通过实验分析了不同量测噪声协方差对目标跟踪性能的影响,为后续多传感器目标跟踪和多扩展目标跟踪的研究奠定了基础。其次,针对多传感器目标跟踪中存在平移误差的问题,先将平移误差建模为一阶马尔科夫过程,再利用高斯马尔科夫过程和变分贝叶斯方法对传感器量测噪声的均值和协方差进行估计,提出了改进的VB-GM-CBMe MBer滤波算法。仿真实验结果表明,本文所提算法有效的解决了由平移误差引起的目标丢失问题,对目标数目的估计更准确。最后,针对高分辨率传感器中存在多扩展目标的问题,在VB-GM-CBMe MBer滤波算法预测步骤后引入椭球门限,使用保留在门限内的量测来进行下一步计算,以降低杂波量测对目标量测的影响,提高对扩展目标状态聚类的精度。实验结果表明,本文提出的改进算法适用于多扩展目标数目未知、量测噪声协方差未知的情况,且跟踪精度与GM-CBMe MBer和VB-GM-CBMe MBer滤波算法相比有一定提高。