多源传感器管理通过资源分配支撑传感器网络完成多目标跟踪及多目标分类等任务,并且通过多任务调度提高系统响应速度。本文对多目标跟踪及多目标分类下的传感器部署分配以及多任务调度进行研究,提出两种算法及一种模型。主要工作及成果包括:1、针对多目标跟踪情景中传感器应当采取何种策略选取哪个或哪几个目标进行跟踪的问题,本文设计模糊逻辑系统从目标与传感器之间的距离、目标的速度、加速度以及航向角四个维度来量化目标威胁度,并给出层次分析法与其对比。出于资源向高威胁度目标倾斜的考虑,本文建立最优化模型,并提出基于二进制粒子群优化算法（Binary Particle Swarm Optimizaion,BPSO）的传感器分配算法对模型进行求解。采用基于BPSO的传感器分配算法对比不同目标数下传感器利用率,结果表明多源传感器系统对当前最佳传感器利用率最高。2、不同于连续时间的多目标跟踪问题,多目标分类问题具有离散特性且不同传感器报告的量测数据具有异构性,因而难以对传感器进行统一性能评估及传感器部署研究。为解决该问题,本文基于融合性能模型（Fusion Performance Model,FPM）提出一种量化传感器分类性能的测度,并提出一种传感器部署算法。基于FPM等多目标分类理论,本文提出一种对称的单传感器分类性能测度,并推至多传感器组合的情况,通过推导及仿真验证其有效性。基于该测度定义效益比并提出一种传感器部署算法,在Un BBayes平台下构建多目标分类网络对算法进行验证,实验结果表明通过本文提出的传感器部署算法对传感器进行部署能够在平衡耗能的同时提升多目标分类正确率。3、与单任务有清晰的物理描述不同,多源传感器系统在实际中面临的任务流具有多样性及随机性等特征,因而如何对任务进行调度满足任务成功调度率要求及系统响应速度是重要研究内容。为满足多源传感器系统快速响应系统的需求,本文提出一种任务抽象模型。基于该模型以及High Type Early Deadline And Short First（HTEDASF）及Modified High Type Early Deadline And Short First（MHTEDASF）两种任务排序规则,本文提出自适应多任务调度算法对身份确认、高精度跟踪、失踪目标搜索、中精度跟踪、低精度跟踪及搜索六种任务进行调度。在不同任务数下,分别采用自适应调度算法与遗传算法对有序任务流进行调度,仿真结果表明自适应多任务调度算法的平均时间偏移率为遗传算法的一半,也即自适应调度算法的系统响应速度为遗传算法的两倍。综上所述,本文在多目标跟踪情境下提出一种传感器分配算法,能够充分利用传感器并对高威胁度目标分配更多资源。进一步针对多目标分类提出一种传感器部署算法,得到的部署方案能够在平衡传感器耗能下提升多目标分类正确率。针对如何对上述任务进行调度本文提出一种任务抽象模型并给出的自适应调度算法提高系统响应速度,为多源传感器管理提供了理论依据。