多目标跟踪技术通过将多传感器集成提供的量测信息进行综合处理,对观测区域内的目标进行准确跟踪定位,在民用、军事及航空等领域备受关注。基于随机集理论的多目标跟踪问题,突破了数据关联的束缚,近年来一直是信息融合领域的研究热点。本文基于随机集理论重点研究了在相关参数影响下的多目标跟踪问题。首先,研究了高杂波率低检测率下的高斯混合概率假设密度(Gaussian Mixture Probability Hypothesis Density,GM-PHD)滤波。在该环境中,标准的GM-PHD滤波算法会出现目标数目的误估计问题,严重影响滤波精度。鉴于此问题,本文对GM-PHD滤波算法进行了修正,即在滤波过程中实施航迹-估计关联,并对关联后的单个目标航迹进行数值插值。仿真结果显示其能够准确地跟踪目标。其次,研究了低检测率条件下的高斯混合势概率假设密度(Gaussian Mixture Cardinality Probability Hypothesis Density,GM-CPHD)滤波算法。与GM-PHD滤波相比,GM-CPHD滤波可同时估计目标强度及数目的概率分布情况,滤波性能较高。然而在低检测率环境中,依然存在目标数目的误估计问题,为了进一步提高滤波精度,本文提出对GM-CPHD滤波算法进行后处理,并通过实验证实了其可行性。最后,研究了初等对称函数(Elementary Symmetric Function,ESF)对GM-CPHD滤波执行效率的影响。GM-CPHD滤波的时间复杂度较大,尤其是当杂波率较高时,滤波时间过长,主要原因是其更新步骤中ESF的计算耗时较长。针对该问题,本文采用递推法替换定义法计算ESF,提高求解效率。仿真结果表明该方法降低了整个算法的时间复杂度,且不影响滤波精度。