在如今目标跟踪领域,多智能体网络,“马赛克战争”概念十分火热,随着传感器节点计算能力、通信能力的上升,传统有中心融合架构的集中式、分布式结构已经无法满足目标跟踪领域不断扩张的需求,去中心化的分散式网络结构开始受到人们的关注,扩展性好、灵活性高、抗损毁性强等特点展示了该结构潜在的应用前景。与此同时,不断增加与变化的应用场景使分散式网络下的多传感器多目标跟踪算法面临诸多挑战:1)分散式网络节点视场（Fo V）不一致时,传统一致性融合方法出现融合性能衰退;2)分散式网络节点通信次数受限时,节点局部信息扩散至全局网络的过程中引起网络信息冗余度增大;3)分散式网络通信拓扑未知且时变时,节点先验拓扑信息失配引起网络信息流混乱,造成跟踪性能下降。本文针对上述分散式网络下目标跟踪的几类挑战,基于高斯混合概率假设密度（GM-PHD）滤波器,提出相应的分散式融合跟踪算法,解决上述三个难点。本文主要工作如下:1)针对分散式网络节点Fo V不一致时,一致性融合方法出现性能衰退的问题,提出了一种基于聚类匹配的GM-PHD分散式融合跟踪算法。首先,将GMPHD滤波器引入一致性融合框架,把目标后验GM分量进行节点内聚类与节点间匹配。然后设计了一种结合代数平均与几何平均优点的混合型融合方法,进行分散式网络下一致性跟踪,得到跟踪结果。仿真实验表明,在传感器Fo V不一致的情况下,所提算法的跟踪结果精度更高,鲁棒性更强。2)在工作1)的基础上,针对分散式网络节点通信次数受限,传感器局部信息扩散至全局网络过程中引起信息冗余度增大的问题,基于广度优先搜索算法,提出了一种基于最短路径搜索的GMPHD分散式融合跟踪算法。首先,在GMPHD滤波器中引入“视场内”目标和“视场外”目标的概念,对不同视场的目标进行区分处理;然后,利用广度优先搜索算法搜寻节点间通信的最短路径,进行信息筛选;最后使用聚类匹配融合方法,对筛选后信息进行融合。仿真结果表明,在传感器节点通信受限、观测Fo V不一致的情况下,相比1)中所提的跟踪算法,本算法跟踪结果的精度更高,鲁棒性更强。3)在工作2)的基础上,针对分散式网络通信拓扑未知且时变时,节点先验拓扑信息失配引起网络信息流混乱造成跟踪性能下降的问题,基于信息扩散原理,提出了一种基于拓扑自建立的GMPHD分散式融合跟踪算法。首先,在节点通信环节中,增加节点拓扑信息交换的步骤。然后,每个节点根据邻居节点的身份信息以及拓扑矩阵信息,借助路径搜索算法构建全局通信拓扑;最后,按照工作2)算法框架进行后续的信息筛选与融合。仿真结果表明,在传感器通信拓扑未知、通信次数受限以及Fo V不一致的情况下,相比2)中所提的算法,本算法能有效应对该类场景,获得更好的跟踪效果。