分布式传感器网络在单传感器滤波的基础上,利用传感器间通信交换多目标后验分布,对多目标后验分布进行信息融合达到提高多目标跟踪精度的目的。受限于单传感器检测能力、监控视野非完全一致以及复杂环境下目标漏跟或杂波干扰,传感器间滤波后验分布差异较大,直接采用广义协方差交集（Generalized Covariance Intersection,GCI）融合易丢失目标分布信息,探索有效的多传感融合方法仍值得深入研究。因计算复杂度较低且跟踪性能良好,基于随机有限集的多伯努利滤波自诞生以来受到广泛关注。在多伯努利滤波基础上,广义标签多伯努利滤波、标签多伯努利滤波相继被提出,且可提供目标航迹管理功能。本文将在标签多伯努利框架下,研究基于分布式融合的多传感器多目标跟踪方法,主要内容有:1.针对分布式传感器网络对标签多伯努利后验分布进行GCI融合时,存在标签不一致、计算复杂度高、以及目标漏跟使得融合后势低估等问题,提出一种状态扩维标签匹配的分布式传感器融合算法。首先,针对标签不一致问题,对目标状态进行扩维,改进分布式融合中目标标签的匹配过程,使融合过程更加高效,同时也克服标签空间不一致的问题;其次,针对计算复杂度高的问题,只传输“疑似目标”后验分布,减少通信数据量,采用“分而治之”的策略对已匹配的存活目标、新生目标、漏跟目标等分别进行融合,结合前述改进目标标签匹配过程有效降低了计算复杂度;最后,针对目标漏跟使得融合后势低估问题,建立漏跟与虚警表记录相应目标,对漏跟目标分布采用反馈补偿策略,有效降低单一传感器目标漏跟对分布式传感器网络融合跟踪精度的影响。实验结果表明,提出算法在分布式传感器网络多目标跟踪场景中有效完成多目标跟踪任务,具有有效性和鲁棒性。2.针对有限视野（Limited Fi el ds of Vi ew,LF o Vs）传感器网络中相邻通信传感器仅部分视野重叠,各传感器滤波后验差异较大,采用GCI融合方法将导致非重叠区域目标分布丢失问题,提出一种基于有限视野传感器的标签多伯努利多目标跟踪方法。首先,在单传感器进行LMB滤波基础上,采用泛洪传输扩散各传感器滤波跟踪后验,扩大单一传感器跟踪视野,使传感器获得全局视野中所有目标后验分布;其次,提出一种基于划分的聚类方法,根据融合目标匹配特点采取约束条件对目标进行限制划分,针对不同类型目标采取不同的融合策略;最后,针对直接提取跨传感器运动目标后验分布造成目标航迹割裂问题,利用目标标签以及传感器标识信息,建立航迹维持表对跨传感器运动目标进行本地标签校正,维持目标航迹连续性、一致性。实验结果表明,提出算法使得各传感器能有效估计传感器网络全局视野内各目标状态,并保证跨传感器运动目标时航迹的连续性、一致性。3.针对GCI融合对漏跟目标敏感、实现形式更复杂、计算资源要求较高,不适合节点较多的大型传感器网络应用等问题,本文探索算术平均融合方法在LMB分布融合中的应用。首先,通过泛洪传输在传感器网络中扩散多目标后验,采用第四章的基于聚类的目标划分方法,将各对应目标的LMB分量有效分类;其次,根据分类结果设定基准传感器,对类中目标进行标签校正,达到同一目标标签全局一致;最后,按类或按标签对目标执行算术平均融合。提出算法采用高斯混合方式实现融合,融合过程仅需对各类中目标计算平均存在概率,对LMB分量中表征目标分布的高斯分量进行重赋权。实验结果表明,本章提出算法在2个实验场景下皆有效地提高多目标跟踪精度,证明融合方法的有效性。