多目标跟踪的主要目的是在目标运动模式具有不确定性、测量存在不确定性以及存在杂波等情况时,能够有效地检测出各个目标并估计出各目标的状态。传统的多目标跟踪方法通常使用数据关联技术,然而数据关联可能会出现“组合爆炸”和计算量呈指数增长等问题。针对这一问题,Mahler提出了基于随机有限集的概率假设密度(PHD),该滤波器不仅避免数据关联,而且解决了虚警、漏检和目标数未知情况下的多目标跟踪问题。虽然PHD滤波器在多目标跟踪过程中拥有许多的优势,但是该滤波器也存在着一些问题。首先,该滤波器很难将近距离的目标区分开来。其次,该滤波器对所收到的测量数据进行集中处理,如果数据处理不及时,则会导致后面数据处理延迟。最后,在低检测概率情况下容易造成目标信息丢失和目标数估计不稳定。针对上述的问题,我们提出了一种序贯多目标贝叶斯滤波器。另外,为了使该滤波器适用于多机动目标的跟踪,我们提出了一种跳变马尔可夫系统模型的序贯多目标贝叶斯滤波器。论文的主要内容如下:1)介绍了基于有限集统计学的多目标贝叶斯滤波理论,讨论了多目标跟踪模型,概述了最优多目标贝叶斯(Bayes)滤波器以及传递多目标联合后验分布一阶矩的PHD滤波器。最后介绍了传递目标边缘分布和存在概率的边缘分布贝叶斯(MDB)滤波器。2)研究并提出了一种序贯多目标贝叶斯滤波器,该滤波器传递目标的边缘分布和存在概率并序贯处理当前时刻收到的测量数据。同时,分别给出了适用于线性高斯系统和非线性高斯系统的序贯多目标贝叶斯滤波器实现方法。仿真实验结果表明,在存在杂波、漏检、目标数目未知的情况时,该滤波器具有更好的多目标跟踪能力。3)为了解决多机动目标的跟踪问题,我们将跳变马尔可夫系统模型引入到序贯多目标贝叶斯滤波器中,提出了带有跳变马尔可夫系统模型的序贯多目标贝叶斯滤波器,并且分别提出了该滤波器在线性高斯系统和非线性高斯系统的实现方法。仿真实验结果表明,在目标运动模式具有不确性、测量存在不确定性以及存在杂波等情况时,该滤波器能够对多机动目标进行有效、稳定和准确的跟踪。