对于多无人机协同探测而言,协同感知能带来更大的探测范围、更高的探测精度以及更好的鲁棒性。同时,也给多传感器的信息融合与管理带来挑战,在无人机这种高速移动的平台上,如何高效地利用多传感器资源,如何快速融合传感器测量数据以获得更准确的状态估计,是实现多无人机协同探测需要解决的重要问题。本文以多无人机协同目标跟踪与目标识别为研究对象,将无人机视作移动的空中传感器载体,并从传感器工作模式的角度出发,开展了面向多无人机协同探测的多传感器信息融合技术和自适应管理技术的研究。针对多无人机协同探测地面机动目标过程中的目标跟踪问题进行了建模分析,提出了一种基于李雅普诺夫(Lyapunov)导航向量场引导的多无人机目标跟踪数据融合方法。该方法采用无迹卡尔曼滤波(Unscented Kalman Filter,UKF)和无迹卡尔曼平滑(Unscented Rauch-Tung-Striebel,URTS)两种融合估计算法,通过融合不同位置的无人机所获得的方位信息,估计地面机动目标的当前位置信息,再结合Lyapunov导航向量场引导控制无人机的飞行,并利用相位控制的方法,避免出现无人机因收敛于同一极限环而相撞的情况,从而形成一个动态的数据融合过程,完成多无人机对地面机动目标的自主协同跟踪,部分解决了多无人机对地面移动目标的跟踪不稳定问题。针对多无人机协同探测识别多目标过程中的多传感器资源动态分配问题,开展了多传感器自适应管理技术研究,从传感器工作模式的角度出发,提出了一种多无人机自适应管理方法。该方法对历史探测数据利用贝叶斯网络进行统计分析,采用贝叶斯决策理论构建了目标识别模型,用感知信息熵来衡量对目标类别的不确定性,使用模糊离散化的方式对不同类型的特征数据进行处理,最后基于遗传算法解决多无人机多目标分配问题,从而构建了一个“感知-学习-决策-行动”的多无人机探测闭环,最终实现对传感器资源的优化分配。为了验证所提两种算法的有效性,设计并实现了一个多无人机协同探测仿真系统。该仿真系统实现了目标跟踪和目标识别两种应用场景,并基于此系统对所提两种算法进行了相应的性能分析,验证了所提两种算法的有效性。