1、多目標跟蹤問題在軍用和民用方面一直受到廣泛關注，由于觀測區(qū)域中新生目標的出現(xiàn)以及已有目標的丟失，加上傳感器的檢測不確定、觀測值和目標的關聯(lián)不確定以及雜波噪聲導致的虛警，多目標跟蹤即是利用傳感器的觀測集合，對時變目標個數(shù)以及對應的目標狀態(tài)聯(lián)合估計。隨機有限集(RFS，Random Finite set)的貝葉斯估計方法是近年來快速發(fā)展的一類多目標跟蹤算法。RFS類方法將各時刻多目標狀態(tài)和觀測值表征成RFSs，利用貝葉斯框架實現(xiàn)各時刻多目標

2、狀態(tài)的估計。相比于傳統(tǒng)的基于關聯(lián)的多目標跟蹤算法，它避開了觀測值與目標關聯(lián)的問題。本文基于RFS理論，對雷達背景下的多目標跟蹤問題進行了系統(tǒng)的研究，所取得的主要研究成果為:
　　1.針對無源相參雷達系統(tǒng)背景下多個高速機動目標跟蹤的問題，提出一種擴展的多模型(MM，multiple model)概率假設密度(PHD，Probability HypothesisDensity)濾波器的粒子濾波實現(xiàn)方法。傳統(tǒng)的MMPHD假定新生目標的強

3、度函數(shù)先驗已知，但是無源雷達背景下新生目標可在監(jiān)視區(qū)域任意位置出現(xiàn)，且速度取值范圍大，此時傳統(tǒng)方法失效。該算法基于傳統(tǒng)MMPHD濾波器，利用各時刻遠離多目標狀態(tài)估計的定位結果，自適應初始化各時刻新出現(xiàn)的目標，有效跟蹤多個高速機動目標。仿真實驗驗證了所給方法的有效性。
　　2.針對標準的帶勢概率假設密度(CPHD，Cardinalized PHD)濾波器假定新生目標的強度函數(shù)先驗已知，因而無法應用于新生目標在場景中任意位置出現(xiàn)的環(huán)境

4、的問題，提出一種單步初始化的高斯混合CPHD(GMCPHD，Gaussian mixtureCPHD)濾波器(GM-CPHD-I-DI)。該濾波器利用位置上遠離當前時刻估計狀態(tài)的觀測值單步初始化新生目標。此外，多普勒信息一方面被用來初始化新生目標的速度，另一方面在濾波器更新步驟中，被用來再次更新徑向距離和角度觀測值更新的中間狀態(tài)。相比于已有的自適應新生目標強度的PHD濾波器(GM-PHD-I-DI)，所提算法對目標個數(shù)估計的標準差降低了

5、70％以上，同時降低了聯(lián)合表征目標個數(shù)和目標狀態(tài)估計的優(yōu)化子模式分配(OSPA，Optimal SubPattem Assignment)誤差。
　　3.針對傳統(tǒng)的高斯混合(GM，Gaussian Mixture)多模型CPHD(MMCPHD)濾波器的計算復雜度高的問題，提出一種擴展的高斯混合帶勢概率假設密度濾波器跟蹤機動目標(GM-BFGCPHD)。該擴展濾波器基于BFG估計方法，用一單模型方式表征多機動目標的預測強度函數(shù)和勢分

6、布，從而使得其更新等式獨立于機動目標的運動模型。理論分析和仿真實驗表明，相比于傳統(tǒng)的GM-MMCPHD濾波器，在機動目標運動模型個數(shù)為M的情況下，GM-BFGCPHD濾波器在保證性能不損失的前提下，其算法復雜度降低了O(M)。
　　4.針對傳統(tǒng)的多模型RFS類方法假定雜波統(tǒng)計特性先驗已知，不適用于未知雜波背景下的多機動目標跟蹤的問題。以GMCPHD濾波器為基礎，提出一種未知雜波下的多機動目標跟蹤算法。該算法對目標和雜波分別獨立建模

7、，通過BFG估計方法對真實目標的強度函數(shù)進行預測，從而使多目標強度函數(shù)獨立于機動目標的運動模型，實現(xiàn)各時刻真實目標的強度函數(shù)、雜波源期望個數(shù)以及真實目標和雜波源的混合勢分布的迭代。仿真結果表明，該算法能夠有效地聯(lián)合估計多機動目標狀態(tài)以及雜波期望個數(shù)。
　　5.針對多站無源雷達背景下多起伏目標同時檢測和跟蹤的問題，提出一種基于多目標多伯努利(MeMBer, Multi-target Multi-Bernoulli)濾波器的多起伏目標

8、檢測前跟蹤(TBD，Track-Before-Detect)算法。由于起伏目標的平均信噪比(SNR,Signal-to-Noise Ratio)未知使得目標的回波幅度似然函數(shù)不確定，假定包絡檢波器的輸出平均SNR服從先驗的均勻分布，并對可能取值區(qū)間進行邊緣化處理，得到一個估計的似然函數(shù)，基于該估計的似然函數(shù)，融合中心利用所有收發(fā)對的幅度觀測信息對MeMBer濾波器的各個預測分量進行更新。仿真結果表明，該算法能夠有效地同時檢測和跟蹤多起伏