异质传感器数据融合技术是利用不同类型的传感器探测目标以获取多方面的信息,得到比单一传感器更准确的目标状态估计。针对异质传感器目标跟踪系统中存在的一些导致跟踪精度降低的问题,本文提出了一些解决方法。论文的主要工作如下:1.阐述了数据融合的概念、基本原理及其发展状况。然后介绍了在不同准则下的状态估计理论基础。2.在实际目标跟踪系统中,由于环境、机械故障等各种因素,使得传感器实际的量测统计特性与先验设定的统计特性相差较大,若量测方差仍按先验统计特性,势必造成状态估计值产生较大误差。本文根据新息的正交特性对量测方差进行自适应调整,使其满足新息的正交特性,获取最优增益,进而修正状态预测估计值,使估计误差的方差为最小。仿真结果表明,该算法能够克服野值对状态最优预测估计的不利影响,提高目标跟踪精度。3.针对目标跟踪系统中可能出现的传感器漏检现象,基于多传感器融合的量测预测值对各传感器量测值的信任度计算出任意两传感器量测值之间的相似度,利用概率源合并理论和非负矩阵特征向量理论获得各传感器量测值与其他传感器的综合相似度,以此确定出每个传感器的权重。该算法实时调整各传感器量测值的融合权重,有效地抑制了漏检传感器量测值对量测融合值的不利影响,提高了系统的跟踪精度。4.针对“当前”统计模型中加速度极限值的预先设定问题,本文提出了一种基于位移预测协方差的改进机动目标跟踪算法。该算法采用扩展卡尔曼滤波实现异质传感器融合;同时避免了加速度极限值的预先设定对状态估计的不利影响。仿真结果表明,所提算法提高了机动目标的跟踪精度。5.针对实际环境中移动异质传感器的量测方差预先设定对滤波精度造成的影响问题,本文提出了基于实际新息协方差实时估计固定雷达和移动红外量测噪声方差的移动平台异质传感器融合算法。该算法基于雷达与红外对目标的距离、方位角和俯仰角估计值和估计协方差进行异步融合,然后采用扩展卡尔曼滤波得到目标的状态估计值。仿真结果表明机动目标的跟踪精度得到了提高。