被动多传感器目标跟踪与航迹维持技术是多传感器数据融合系统的重要研究内容之一，备受国内外专家学者的广泛关注，在军事和民用领域具有重要的应用前景。本论文结合国家自然科学基金项目(No.60677040，No.60871074)，主要开展对单/多机动目标跟踪和基于随机集理论的多目标跟踪及航迹维持算法研究，取得的主要研究成果如下：1.针对修正的输入估计(MIE)技术不能跟踪强机动目标的问题，提出一种基于模糊推理的自适应滤波算法，通过引入的模糊退化因子，有效改善了对强机动目标跟踪的自适应能力。此外，针对模糊推理计算复杂的问题，提出了一种强跟踪MIE滤波算法，通过引入强跟踪多重退化因子，既能够自适应地调节滤波增益，提高对强机动目标的跟踪能力，又具有较好的实时性。针对交互多模型(IMM)算法模型数的选取和模型之间的干扰问题，提出了一种基于Viterbi的切换IMM算法，有效提高了模型的利用率，改善了对机动目标的跟踪性能。2.针对传统基于独立粒子滤波的联合数据关联(JPDA)算法计算代价较高的问题，提出了一种基于独立粒子滤波的模糊数据关联算法。该算法采用模糊聚类技术实现目标与量测之间的数据关联，有效降低了算法的计算代价。此外，针对粒子的退化和贫化问题，提出了一种基于蚁群优化的多目标跟踪算法，进一步改善了算法的跟踪性能。针对邻近空间多目标跟踪问题，提出了一种基于模糊数据关联的联合粒子滤波算法，实现了对复杂环境下并行飞行的多目标跟踪。3.针对传统粒子概率假设密度滤波(PF-PHD)算法没有考虑最新观测信息的不足，提出了一种改进的粒子PHD滤波算法。该算法将高斯厄米特滤波技术融入到高斯粒子PHD滤波框架中，采用最新观测数据拟合建议密度函数，有效提高了算法的跟踪精度。针对未知数目的多机动目标跟踪问题，借鉴强跟踪MIE滤波思想，提出一种强跟踪MIE概率假设密度滤波算法，与基于当前统计模型的PHD滤波算法相比，具有更高的滤波精度和较低的计算代价。4.针对杂波环境下多个交叉运动目标的航迹易产生错误关联的问题，提出一种基于交叉熵的粒子概率假设密度航迹维持新算法。该算法通过构建有向连接图，将目标的运动方向信息引入到算法中对目标的关联权值进行修正，并采用全局优化的交叉熵算法计算最优可行性事件，有效解决了目标靠近或交叉时的航迹关联问题。在此基础上，提出将该关联算法推广应用于CPHD滤波框架中，并引入Rao-Blackwellized粒子滤波(RBPF)技术，进一步提高了算法对多目标跟踪中的航迹关联性能，具有较强的鲁棒性和抗干扰能力。5.针对多模型粒子PHD/CPHD算法采用粒子聚类技术提取目标状态而导致性能下降的问题，提出一种新的多模型粒子多贝努利滤波算法。该算法不需要复杂的聚类运算，通过计算包含模型信息的漏检目标和量测更新的多贝努利随机有限集，直接近似整个多目标状态集的后验概率密度函数，具有较高的目标状态估计精度和较高的计算效率。在此基础上，提出将粒子标识技术应用到多模型粒子多贝努利滤波算法中，有效实现了多机动目标跟踪的航迹维持。