多传感器目标跟踪是通过多个传感器相互合作,对目标的状态和数目进行有效地跟踪估计。信息融合是多传感器网络中的关键算法,该算法通过对分布在空间中不同方位的传感器所获取的数据信息进行通信融合,提取出更加精确的数据信息。多传感器相互之间的协同工作提高了整个网络系统的量测精度、增加了系统的感知维度、加快了信息处理速度以及增强了环境适应能力等。近年来,基于随机有限集理论的目标跟踪方法取得了突飞猛进的成果,也应用到军事与民用领域。本文主要研究了分布式多传感器目标跟踪方法,取得了三方面的研究成果,如下:1.针对感知范围受限的分布式传感器网络的多目标跟踪问题,在多伯努利滤波跟踪理论基础上提出分布式视场互补多伯努利关联算术平均融合跟踪方法。首先,该方法通过视场互补使得各传感器的量测信息包含整个场景范围内的量测。在此基础上,每个传感器分别运行局部多伯努利滤波器,并通过泛洪通信进行相邻传感器之间的后验信息共享。随后,在各融合中心通过距离划分对通信共享得到的多伯努利后验进行关联,并通过算术平均融合方法对关联成功的同一目标的伯努利后验进行融合估计。最后通过序贯蒙特卡洛进行仿真实验,结果表明所提方法在有限感知范围的分布式传感器网络中能有效地进行多目标跟踪。2.针对分布式传感器网络中标签多伯努利目标跟踪问题,提出了基于标签高效匹配的分布式标签贝叶斯后验算术平均融合方法。首先,针对不同传感器的标签多伯努利后验标签不一致导致融合性能下降问题,提出一种标签匹配方法。此方法通过引入标签参考空间并分别和每个传感器进行标签匹配,进行标签一致化。其次,通过分布式泛洪通信方法进行相邻传感器之间的信息共享,并对配准后的标签后验按照标签的方式进行算术平均融合。仿真表明,所提方法有效地解决标签不一致问题并实现高效、稳健的AA融合,优于其他几种方法。3.针对机动目标跟踪过程中模型失配问题,提出了在分布式有限视场的传感器网络中利用交互式多伯努利滤波进行机动目标融合跟踪方法。在交互式多伯努利预测阶段,对同一个伯努利成分通过不同的模型状态转移进行预测,得到不同模型下的预测结果。在更新过程中,利用视场互补后的量测对不同模型预测的结果进行更新,并用似然函数对模型权重进行更新,再通过模型加权和得到局部更新的多伯努利后验。最后仍然通过泛洪通信算术平均融合方法对同一目标的伯努利成分进行融合估计,并进行了仿真实验验证其跟踪效果。