近些年来,基于随机集的多目标跟踪技术由于避免了数据关联,大大降低了运算复杂度,迅速成为多目标跟踪领域的研究热点。但随机集模型框架下的滤波算法本质上并非多目标跟踪器,因为并未提供目标航迹,目标仍不可区分。通过将标签思想引入随机集,很好地解决了航迹识别问题,基于此而发展出的广义标签多伯努利随机集(Generalized Labeled Multi-Bernoulli,GLMB)滤波器也得到广泛的应用拓展。本文重点研究了基于GLMB滤波器的多目标跟踪方法,具体研究内容安排如下:首先,介绍了GLMB滤波器和δ-GLMB滤波器的核心思想与实现方式。详细介绍随机有限集理论及其在贝叶斯框架下的多目标跟踪递推算法。在此基础上,介绍了GLMB和δ-GLMB滤波算法的核心思想,并给出了具体的预测及更新步骤。其次,针对条件联合决策估计算法在缺乏轨迹先验分布信息的条件下很难计算决策代价以及估计代价的问题,提出一种新的基于广义标签伯努利滤波器的多目标联合跟踪算法,将目标势估计代价、状态估计代价以及决策估计代价统一起来,通过代价最小化获得最优估计。同时,为解决传统δ-GLMB算法对新生目标估计误差较大的问题,提出一种新的自适应目标新生算法,利用构建出的自适应新生模型,将上一时刻接收到的量测信息对当前时刻新生目标的存活概率和状态分布进行预测,并把预测得到的新生目标信息进行滤波迭代。仿真实验验证了所提算法的实时性和准确性。最后,针对现有的多目标跟踪技术在目标空间位置重叠的场景下无法对多目标进行准确跟踪的情况,提出一种新的量测融合场景下的δ-GLMB算法。由于传统δ-GLMB的匹配分组策略不适用于量测融合,提出了一种近似策略较好地解决了量测到目标群之间的匹配优化问题。为了进一步提升目标状态估计精度,提出了量测融合场景下的多目标平滑算法。该算法对多目标状态进行前后向平滑递归,用将来时刻的量测数据进行后向平滑,提高了目标跟踪精度。实验仿真表明此算法在多目标跟踪方面具有良好的性能。