多伯努利算法(Multi-Bernoulli,MB)是随机有限集体系框架下一种具有代表性的滤波方法,具有科学、严谨的理论基础。近年来,因其在目标跟踪领域高效稳定的跟踪性能,同时能够避免数据关联,可有效解决目标跟踪中的不确定性问题,而受到广泛关注。然而,现有的研究算法中仍存在计算复杂度高,估计精度偏差等问题。本文基于MB滤波方法,从多模型算法及传感器控制策略两方面出发,提出相应的改进方案,以提高多目标跟踪的性能及扩展算法的适用性。论文开展了以下的研究工作:首先,针对如何提高多模型伯努利滤波(MM Bernoulli Filter,MMBF)算法的跟踪性能方面进行研究。现有的MMBF算法的粒子实现是根据模型概率分配粒子数量,导致概率小的模型的统计特性无法被完全表征,当目标运动模式变化时会使峰值误差大、收敛速度慢。本文提出了改进的MMBF实现方法,通过预先设定各个模型的粒子数量,并用模型似然计算模型后验概率,使得目标状态估计与模型概率估计分开进行,有效的克服了粒子个数少导致的模型切换不及时等问题。同时为了解决重采样粒子退化问题,利用权值大粒子去优化权值小的粒子。仿真结果表明所提方法可以减小峰值误差,使跟踪性能更稳定。其次,针对MB滤波在传感器控制应用中存在的计算复杂度高等问题,提出了基于柯西施瓦兹(Cauchy-Schwarz,CS)距离的控制方案。该方法利用辅助变量重新对预测粒子集合进行采样,并利用采样后的粒子去近似多目标密度函数,选取易于计算的CS距离作为衡量先验密度和后验密度之间差异性的评价标准,基于增益最大化原则,实现相应的控制方案。仿真实验最终证明了该方法不仅能有效的跟踪目标,经传感器控制的目标跟踪性能也有了明显的提高。最后,针对基于MB滤波的传感器控制方法直接输出航迹困难,且无法高效扩展应用到多传感器背景下的问题,提出了基于标签伯努利滤波(labeled Multi-Bernoulli,LMB)的传感器控制方案。该方法利用辅助变量对预测粒子进行重采样,以先验信息和后验信息之间的CS距离作为传感器控制策略的评价标准。另外,提出了以目标势与状态的后验期望误差(posterior expected error of cardinality and state,PEECS)作为评价准则的传感器控制方法。仿真结果证明了基于LMB的两种不同准则的传感器策略都是有效的,经过传感器控制的多目标跟踪的性能更精确、更稳定。