随着人工智能、机器学习领域的快速发展,雷达测量仪器趋于精密化,接收端获得的包含有目标信息的点迹数据量大大增加,这给后续目标跟踪,航迹处理带来了极大的不便。为了实现目标的精确探测,保证目标跟踪过程中航迹信息的准确性,性能良好的点迹凝聚算法变得尤为重要。本文对两种点迹凝聚算法进行研究,分别是基于KD-树空间搜索的DBSCAN凝聚算法和基于轮廓跟踪区域生长的点迹凝聚算法,两种算法分别通过DBSCAN对目标像素点进行聚类和提取目标轮廓实现目标的检测。目标检测作为点迹凝聚的中心一环,本论文针对其中的关键问题展开研究,具体如下:1、针对传统DBSCAN点迹凝聚算法的实时性问题,本文将KD-树用于DBSCAN算法,替代了DBSCAN算法的Eps-邻域搜索路径,研究了一种计算效率更高的基于KD-树的DBSCAN凝聚算法。通过采用空间搜索算法,在搜索Eps-邻域的过程中,仅遍历KD-树中有限数量的路径,减少了Eps-邻域查询次数,降低了目标聚类时间,提高了点迹凝聚效率,将算法时间复杂度从O(n~2)降低到O(nlog n)。通过MATLAB对实测雷达数据进行大量对比实验,该算法具有较好的可行性,同时实验结果证明,该算法对于大数据量效果更好。2、针对传统轮廓跟踪算法不能提取像素点非连通目标轮廓的问题,本文在8链码基础上,提出一种基于(m,n)-掩模轮廓跟踪的点迹凝聚算法。在轮廓跟踪过程中,该算法使用可变大小的掩模灵活地提取目标轮廓,实现目标的检测。通过实验验证,对于非连通目标,(m,n)-掩模有很好的轮廓跟踪效果;对于连通目标,(m,n)-掩模实现了对轮廓点的数据压缩。实验结果表明,对于同一雷达图像,轮廓跟踪后(3,3)-掩模比8链码轮廓点数减少了58.6%。3、为了保障凝聚后目标点迹的估值精度,本文对区域生长算法进行深入研究,在轮廓跟踪算法基础上,将区域生长与其相结合,研究了一种基于轮廓跟踪区域生长的点迹凝聚算法。该算法将目标轮廓作为种子点,采用8邻域生长准则进行生长,得到目标包含的所有像素点之后再做点迹凝聚处理。通过对实测数据与仿真数据进行实验,验证了该算法的可行性。