多源信息融合已经在军民两个领域中被广泛应用,多目标跟踪技术作为其中的关键技术已经受到越来越多的关注和研究。由于目标数目随时变化、杂波的不断干扰等随机因素在跟踪过程中成为常态,传统多目标跟踪算法会出现计算量大以及跟踪精度下降等问题,而随机有限集理论从集合层面的角度和方向出发,在递推滤波过程中将目标状态与观测分别建模为有限集,为雷达多目标跟踪提供了适应目标数目变化以及无需数据关联过程的全新思路,值得深入研究。本文以多目标跟踪为研究背景,针对标准的势化概率假设密度(Cardinalized Probability Hypothesis Density,CPHD)滤波器以及联合广义标签多伯努利(Joint Generalized Labeled Multi-Bernoulli,Joint-GLMB)滤波器无法对非线性运动目标进行准确跟踪,对二者进行了非线性扩展并且就改进后算法的计算效率的提升提供了解决方案。本文主要研究如下:1、改进的势化概率假设密度滤波算法。针对标准的CPHD滤波器无法准确地跟踪非线性运动目标,考虑到容积卡尔曼滤波算法适用高维非线性环境,通过三阶球面径向容积准则,能够达到三阶以上的近似精度的特性,研究了非线性运动目标存在的环境下使用容积卡尔曼滤波的高斯混合方法实现CPHD滤波算法的过程,提出了基于容积卡尔曼的势化概率假设密度(Cubature Kalman Cardinalized Probability Hypothesis Density,CK-CPHD)滤波算法。利用仿真实验对CK-CPHD滤波算法进行验证,通过与粒子CPHD(Sequential Monte Carlo CPHD,SMC-CPHD)滤波器在相同条件下进行最优子模型分配(Optimal Sub Pattern Assignment,OSPA)距离的比较,得出CK-CPHD滤波算法的算法性能优于SMC-CPHD滤波算法的结论,表明该CKCPHD滤波算法适用存在高维的强非线性运动目标的多目标系统,而且具有较好的数值稳定性,可对非线性运动多目标进行准确的跟踪,并且可以准确估计目标的数量。2、改进的联合广义标签多伯努利滤波算法。为在非线性运动目标存在的环境下准确获得目标的航迹信息,引入了标签随机有限集理论,使用标签来标记目标的身份信息。研究了使用容积卡尔曼滤波技术实现的联合广义标签多伯努利(Cubature Kalman Joint Generalized Labeled Multi-Bernoulli,CK-Joint-GLMB)滤波算法,从而可以有效并且准确的估计目标的状态、个数和航迹。并且针对CK-Joint-GLMB滤波算法在运算过程中产生大量无用分量的问题,提出一种带门限的CK-Joint-GLMB滤波算法,通过门限将产生大量低权值更新分量的预测分量和量测值进行限制,不参与后面的更新步骤的运算,达到减轻算法计算量但不损失算法效果的目的。利用仿真实验进行验证,通过与CK-Joint-GLMB滤波算法在相同条件下在OSPA距离上进行比较,结果表明带门限CK-Joint-GLMB滤波算法在保证算法性能的基础上在算法效率上优于原有算法,可准确得到目标信息以及航迹信息,实现了在非线性运动目标存在的环境下对多目标的准确跟踪以及对航迹信息的正确估计。