多目标跟踪在军事和民用方面得到了广泛的应用。多目标跟踪问题主要包括跟踪门的形成、数据关联与跟踪维持、跟踪起始与跟踪终结、漏报与虚警等等。其中数据关联是最重要最困难的，这也是本文研究的重点。　　 传统的多目标跟踪技术存在快速响应与提高精度之间的矛盾，寻求更好的解决方法一直是人们不断研究探讨的。由于独特的大规模并行处理、分布式信息存储、良好的自适应性和自组织性，以及很强的学习、联想和容错功能，人工神经网络越来越受到人们的重视，也为多目标跟踪研究注入了新的活力。　　 本文首先分析了基于传统数据关联的多目标跟踪，然后通过分析人工神经网络的结构和特点，结合多目标跟踪技术，引入了一种基于SOM网络的多目标跟踪算法，此算法利用SOM网络的聚类功能和无导师学习能力，对雷达量测的数据进行聚类和关联，在一定条件下能较好的完成多维空间数据分布的映射，实现聚类的功能，但由于网络自身存在一些缺点，使之在目标关联程度很大时，聚类效果并不好，从而影响了多目标的跟踪效果。　　 针对上述问题，本文提出了核函数可调的改进KSOM多目标跟踪算法。KSOM算法通过由核诱导的隐映射将低维输入空间中的非线性问题变换至高维特征空间中的较易解决的线性问题，最终在特征空间中获得原问题的解决，避免了计算上的维数灾难。由于核函数是问题依赖的，对于不同的数据集，各个核函数的效果并不相同，改进KSOM算法通过把核函数线性组合在一起，其系数由遗传算法得出，从而克服了核函数问题依赖的缺点。通过仿真实验表明，该算法在目标关联程度很大时，数据关联效果仍然具有理想的效果。