1、在現實生活和科技領域中，有越來越多的數據出現在人類的面前。其中有一種稱為時間序列的數據應用日益廣泛。這種數據既在天文、地理、生物、物理、化學等自然科學領域，又在圖像處理、語音通訊、聲納技術、遙感技術、核工程、環(huán)境工程、醫(yī)學工程、海洋工程、冶金工程、機械工程等工程技術領域，還在人口、經濟、管理等社會經濟領域中廣泛存在。
　　 前人為了分析時間序列數據，提出了許多模型，其中動態(tài)貝葉斯網絡模型引起了越來越多的學者的關注。本文主要研究了

2、一類動態(tài)貝葉斯網絡模型，這一類動態(tài)貝葉斯網絡模型具有隱含狀態(tài)和觀測向量兩個隨機過程。隱馬爾可夫模型(Hidden Markov Model，HMM)和狀態(tài)空間模型(State Space Model，SSM)就是這一類動態(tài)貝葉斯網絡模型的典型代表，并且其在參數估計等方面存在一些問題，故本論文以HMM和SSM為研究對象，主要對HMM的隱含狀態(tài)個數的確定和SSM在非高斯觀測噪聲下的狀態(tài)估計等問題構建了新的解決方法，并提出了相應的求解算法。然

3、后對于SSM在多傳感器融合跟蹤的應用進行了深入的研究。
　　 本論文的主要貢獻包括以下幾個方面：
　　 ①本文構建了HMM的模型選擇和特征選擇的聯合求解方法，并提出了相應的求解算法。
　　 首先對HMM的主要研究問題進行了論述，著重是HMM的模型選擇問題。HMM的模型選擇就是HMM的隱含狀態(tài)個數的確定。通過重點分析HMM的模型選擇與HMM的特征選擇之間的相互關系，發(fā)現了HMM的模型選擇與HMM的特征選擇這兩個問題

4、相互影響、互相關聯，故本文提出了HMM的模型選擇和特征選擇的聯合求解方法，并給出了相應的求解算法。通過實驗表明了本文提出的HMM的模型選擇和特征選擇的聯合求解算法比現有的主流算法能更好的刻畫數據。
　　 ②本文提出了SSM在非高斯觀測噪聲下的新的狀態(tài)估計算法。
　　 首先對SSM的狀態(tài)估計問題，特別是在非高斯觀測噪聲下的狀態(tài)估計算法進行了詳細的論述。當前解決SSM在非高斯觀測噪聲下的狀態(tài)估計的主流方法是用混合高斯模型進行

5、非高斯噪聲的模擬，然后用最大期望算法進行狀態(tài)的估計。但最大期望算法很難估計混合高斯模型中的混合個數，這必將影響狀態(tài)估計的效果。故本文提出了用變分貝葉斯算法對SSM在非高斯觀測噪聲下的狀態(tài)進行估計，并給出了相應的狀態(tài)估計算法。通過大量的實驗表明了本文提出的算法比當前的主流算法有較好的狀態(tài)估計效果和較小的時間復雜度。
　　 ③本文提出了將Student-t分布應用到非高斯噪聲下的多傳感器單目標融合跟蹤問題中，進而提出了離線和在線的兩

6、種融合跟蹤算法。
　　 通過分析非高斯噪聲情況下的多傳感器單目標融合跟蹤問題，發(fā)現用傳統(tǒng)的混合高斯進行非高斯噪聲建模，會導致融合后的模型過多，進而引起跟蹤效果較差和算法時間復雜度較高等缺點。故本文提出了用Student-t分布進行非高斯噪聲的模擬，并給出了離線和在線的兩種融合跟蹤算法。通過實驗表明了本文提出的離線和在線的這兩種融合跟蹤算法比現有的融合跟蹤算法有較好的跟蹤效果和較低的時間復雜度。
　　 ④本文構建了多傳感器

7、的相對配準、數據關聯和數據融合的聯合求解方法，進而提出了相應的求解算法，從而實現了多傳感器多目標融合跟蹤。
　　 針對多傳感器多目標融合跟蹤問題進行了詳細地論述，分別闡述了多傳感器的相對配準、數據關聯和數據融合這三個問題，發(fā)現這三個問題相互影響、互相關聯。故本文構建了多傳感器的相對配準、數據關聯和數據融合的聯合求解方法，將這三個問題轉化成為參數估計的問題，進而提出了相應的求解算法。通過實驗表明了本文提出的多傳感器的相對配準、數據