多目标跟踪是信息融合领域中一个十分重要的研究内容。由于目标出现和消失的不确定性以及杂波、漏检等因素的影响，复杂环境下的多目标跟踪问题面临巨大的挑战。本文在多目标贝叶斯滤波框架下，以有限集合统计理论为基础，对复杂环境下的多目标跟踪、多扩展目标跟踪以及传感器控制等问题做了进一步的研究，主要研究工作如下：

1.　研究了传感器噪声统计特性未知情况下的多目标跟踪问题。针对标准随机有限集多目标滤波算法在量测噪声统计特性未知时跟踪性能会变差，提出了可以同时估计目标状态和量测噪声协方差的自适应概率假设密度（PHD）滤波器，并采用变分贝叶斯近似方法给出了它在线性高斯条件下的高斯逆伽马混合（GIGM）实现。该算法将多目标状态和量测噪声协方差的联合概率密度近似为高斯逆伽马混合形式，适用于量测噪声协方差未知且随时间变化的多目标跟踪场景。仿真结果表明，所提的GIGM-PHD滤波器的跟踪性能优于量测噪声协方差存在偏差时标准高斯混合PHD（GM-PHD）滤波器的跟踪性能，接近于量测噪声协方差已知时标准GM-PHD滤波器的跟踪性能。

2.　研究了基于多伯努利（MB）滤波器的多扩展目标跟踪问题。针对复杂环境下的多扩展目标跟踪问题，在扩展目标泊松量测模型条件下，推导获得了扩展目标MB（ET-MB）滤波器，并给出它在线性高斯条件下的GM实现和非线性条件下的序贯蒙特卡罗（SMC）实现，最后在仿真实验中比较了ET-MB滤波器、ET-PHD滤波器和扩展目标势概率假设密度（ET-CPHD）滤波器的性能。仿真结果表明，在线性高斯条件下，GM-ET-MB滤波器与GM-ET-PHD滤波器的性能相近，较GM-ET-CPHD滤波器在计算方面更为高效；在非线性条件下，SMC-ET-MB滤波器在跟踪精度和计算效率两方面均优于SMC-ET-PHD滤波器和SMC-ET-CPHD滤波器。

3.　研究了目标模型满足Pairwise马尔科夫模型（PMM）时的多目标跟踪问题。标准随机有限集多目标滤波算法是在目标的状态演化和观测过程满足隐马尔科夫模型（HMM）的条件下推导获得的，然而在一些实际应用中，目标模型不一定满足HMM所隐含的马尔科夫性和独立性假设。PMM是一类比HMM　更为一般化的统计模型，并且兼容HMM。本文将标准MB滤波器拓展到PMM，并给出它在线性高斯PMM下的GM实现。所提算法放宽了HMM的结构性限制，适用于更为一般的多目标跟踪场景。在仿真实验中，通过一种满足线性高斯HMM局部物理特性的线性高斯PMM验证了所提算法的有效性。

4.　研究了基于Delta广义标记多伯努利（δ-GLMB）滤波器的多目标传感器控制问题。针对多目标跟踪中的传感控制问题，首先给出了在部分可观测马尔科夫决策过程（POMDP）框架下基于随机有限集的多目标传感器控制方案。然后，在考虑生成目标航迹的前提下，以δ-GLMB　滤波器为多目标滤波工具，提出两种单传感器控制策略：最大化多目标状态的预测密度与后验密度之间的Renyi　散度和最小化多目标的预测位置与传感器的位置之间的统计距离。最后，在仿真实验中采用SMC技术在距离-方位多目标跟踪场景验证了所提算法的有效性。