点目标跟踪问题是指在杂波环境中,根据受噪声干扰的传感器测量序列,对可以忽略形状、颜色等外观信息的目标状态进行估计,并估计出目标航迹的过程。点目标跟踪在定位、导航、工业控制等军事和民用领域有着广泛的应用。根据监测区域内目标的个数,点目标跟踪可以划分为单目标跟踪和多目标跟踪,单目标跟踪中如何利用测量进行有效的滤波,实时给出准确的状态估计是其研究的核心内容;根据目标数目的情况,多目标跟踪又分为数目已知且固定的多目标跟踪,数目未知且随时间变化的多目标跟踪,后者在实际中有着更为广泛的应用范围和更高的技术难度。在存在杂波对测量的干扰和影响的情况下,利用带有噪声的传感器测量,对运动方式复杂多变的目标进行连续跟踪具有很大的不确定性,是十分具有挑战性和具有重要研究价值的课题。本文分别针对单目标和未知时变的多目标跟踪问题进行了研究。对于单目标跟踪问题,由于不必考虑测量与目标的关联关系,因此以跟踪算法即滤波算法研究为核心,针对具有典型非线性特征的雷达测角等测量模型,采用以粒子滤波为核心的滤波跟踪方法,重点解决粒子滤波算法中的计算效率问题,同时通过解决样本枯竭问题,降低重采样算法中的多样性损失,提高粒子滤波的估计精度,从而提高对单目标的跟踪性能;对于未知时变的多目标跟踪问题,则以基于概率假设密度(Probability Hypothesis Density, PHD)滤波的目标状态估计和连续跟踪方法为主要研究内容,通过推导权值域的单目标PHD分解形式来估计多个目标的状态,同时结合粒子标签和航迹管理来形成目标的连续航迹。首先,在基于粒子滤波的单目标跟踪算法研究方面:(1)针对粒子滤波为解决退化问题引入重采样而导致的样本枯竭和多样性损失问题,提出了基于准蒙特卡罗(Quasi-Monte Carlo, QMC)的采样重采样算法,用在大权重样本邻域内生成具有低差异性的QMC序列来代替一般重采样算法中对大权重样本的复制过程,一方面解决了重采样后样本的枯竭和多样性损失问题,降低样本的目标失跟概率;另一方面利用QMC序列的低差异性,获取高于一般蒙特卡罗采样方法的估计精度,从上述两个方面提高粒子滤波的跟踪精度。(2)针对粒子滤波的样本容量大,跟踪效率受样本容量影响明显的问题,在多分辨粒子滤波的基础上,提出基于滤波系统状态检验的样本容量控制算法。利用粒子滤波的样本集在空间域中的多分辨分解形式,在相似样本中提取关键样本,以降低总样本容量。为了监测系统是否出现滤波失效,定义了粒子滤波的系统拟测量误差等相关统计量,通过检测系统状态,对样本容量进行自适应调节,保证滤波精度的稳定,同时提高粒子滤波的跟踪效率。其次,在基于粒子概率假设密度滤波的多目标状态估计与连续跟踪方法研究方面:(1)针对概率假设密度滤波过程仅输出多目标分布的概率密度,无法直接输出目标的状态估计的问题,提出粒子单目标PHD滤波方法,通过构造PHD样本权值向量,从PHD的状态预测和测量更新公式中推导出单目标的粒子PHD分解公式,从混合的多目标后验PHD中同时分离出单个目标的后验PHD形式,从而利用粒子权值分量描述的单目标PHD实现所有目标的状态提取,从原理层面上解决基于粒子概率假设密度滤波的多目标状态估计问题。(2)针对PHD滤波的输出状态的集合无序性,无法给出目标时间域上的状态关联问题,在提出的单目标PHD滤波的基础上,提出一种结合标签的粒子层状态关联方法,定义了基于权值向量的状态间关联矩阵,同时建立了结合一步预测的关联规则,通过追踪样本权值向量在测量域上的移动来判定目标状态的前后帧关系,进而给出目标状态的标识,形成连续航迹;在包含杂波的广义状态估计的基础上,构建了状态假设、伪航迹剪枝、状态估计反馈的环状粒子概率假设密度滤波跟踪器模型,解决了数目未知时变的多目标的连续跟踪问题。