复杂环境下机载传感器的量测数据具有较大的不确定性,其中信息非完备是重要体现,针对非完备信息容易导致航迹关联难度大、航迹融合效果差的问题,开展了非完备信息情况下的机载多传感器航迹融合算法研究工作。主要工作和贡献如下:1.面向交互式多模型的航迹质量度量策略。基于交互式多模型算法产生的模型匹配概率,本文提出局部航迹信息熵的概念,用来度量局部航迹的质量。在同一观测时刻,不同的传感器对同一目标进行观测,并通过交互式多模型算法产生各自的信息熵,当局部航迹的信息熵越小时,该局部航迹的质量就越好。仿真实验证明了该度量策略的有效性。2.基于集成学习的航迹关联算法。基于模糊数学的航迹关联算法能够更好地处理不确定性问题,但模糊航迹关联算法也存在不足,比如参数设置主观性强、数量多,当应用场景发生变化时算法性能不稳定。为了提高航迹关联的效率与稳健性,提出了一种基于集成学习的航迹关联算法。该算法将航迹关联判断问题转化为二分类问题,首先利用历史航迹关联数据来离线训练Ada Boost算法分类器,然后通过训练好的Ada Boost算法分类器对新的局部航迹数据进行在线分类处理,最后产生航迹关联判决结果。仿真实验表明,在传感器量测丢失情况下,该算法的航迹关联正确率高于现有的模糊航迹关联算法。3.基于航迹质量选择的动态航迹融合算法。选择所有局部航迹进行融合的方法会降低系统航迹的质量,针对这个问题,本文提出了两种基于局部航迹质量选择的融合算法,包括基于改进的模糊C均值聚类和信息熵修正的航迹融合算法、基于信息熵双门限选择的动态航迹融合算法。两种方法都是通过交互式多模型算法来获得局部航迹和信息熵,并用信息熵来度量局部航迹质量。方法一使用局部航迹信息对聚类数据做“质量”修正,改进后的模糊C均值算法对局部航迹进行聚类分析,利用信息熵和隶属度对局部航迹进行选择和融合,达到修正聚类中心和提高系统航迹质量的效果。方法二根据设置的信息熵双门限筛选出质量好的局部航迹,并将其信息熵归一化的结果赋给传感器的权值,实现权值的动态分配。仿真结果表明,在传感器观测精度或量测丢失率不同情况下,这两种算法对机动目标的跟踪性能优于已知的模糊航迹融合算法。