智能驾驶技术具有减少交通事故,缓解交通拥堵的巨大潜力,已成为当前汽车行业的一大研究热点。在智能驾驶的众多研究方向中,对车载传感器网络中各个传感器的目标进行稳定的跟踪,对网络中不同传感器跟踪的目标进行准确地信息融合是智能汽车做出正确决策的前提,也是智能汽车安全行驶的重要保障。在车载传感器网络多传感器信息融合的过程中,存在着以下两个难点:一个是如何准确的估计所检测目标的运动状态,并对所检测目标进行稳定的跟踪;另一个是不同传感器跟踪的目标如何进行准确有效地关联和融合,得到一个关于真实目标的综合描述。本文对智能车辆多源异类传感器信息融合方法进行研究,主要包括多感知源多目标跟踪数据关联算法和非线性运动状态估计方法,以及多感知源之间目标关联与信息融合方法,并通过虚拟场景仿真进行了验证。本文主要研究内容如下:1.针对局部传感器多目标跟踪数据关联问题,本文介绍了多目标跟踪的基本原理,对智能车辆常用的目标运动模型进行了推导,并对联合概率数据关联算法以及多假设跟踪算法两种数据关联算法进行了分析。2.针对局部传感器多目标跟踪状态估计问题,考虑到多数车载传感器进行目标跟踪状态估计的过程属于非线性状态估计过程,本文介绍了贝叶斯滤波原理,对实际情况下,非线性最优滤波难以实现的问题,本文介绍了三类次优非线性滤波方法,即采用函数近似的扩展卡尔曼滤波,采用确定性采样的无迹卡尔曼滤波、容积卡尔曼滤波以及采用随机采样的粒子滤波。在此基础上,为了提高工程应用中非线性状态估计算法的数值精度以及稳定性,本文提出了一种平方根容积联合概率数据关联的多目标跟踪算法。首先,为了克服舍入误差引起的滤波发散,降低计算复杂度,保证协方差的非负定性,提高滤波的收敛速度,采用平方根形式的容积卡尔曼滤波器的联合概率数据关联进行数据关联;其次,为降低关联算法计算复杂度,构造一种基于椭圆跟踪门与车辆运动学关系结合的自适应跟踪门。3.针对多传感器目标关联与信息融合问题,本文分析了常用的局部传感器间目标关联算法与信息融合算法,在此基础上,提出了基于目标状态估计误差协方差的分布式传感器间目标关联融合算法,采用独立序贯目标关联算法与加权融合算法对坐标转换后的各个传感器目标进行关联融合,有效提高了融合系统的可靠性和准确性。4.针对本文提出的分布式多传感器多目标跟踪融合方法建立了一套摄像头与毫米波雷达融合架构,在虚拟环境中进行了仿真验证。利用Pre Scan软件搭建虚拟交通场景、传感器模型以及车辆模型,联合Simulink建模工具对算法进行实现,以均方根误差等指标对算法进行了评价分析,仿真结果表明,采用本文提出的方案融合后的目标状态量与各局部传感器探测目标状态量相比,更加接近目标真实的状态量,验证了算法的有效性。