多目标跟踪（Multi-target Tracking,MTT）技术是指依据传感器探测到的量测数据动态估计目标数目及状态的过程,由于其具有较高的军用及民用价值,且涉及复杂的理论问题,因此,受到国内外诸多专家学者的广泛关注。目前,基于随机有限集的多目标跟踪算法由于采用自顶而下的策略,具有良好的模型可拓展性,且能避免复杂的数据关联,是当前目标跟踪领域研究的热点。然而,多目标跟踪算法涉及贝叶斯方程,需利用数值计算方法求得该方程的近似解。其中,高斯混合（Gaussian Mixture,GM）方法和粒子滤波（Particle Filtering,PF）方法是目前应用最为广泛的数值计算方法,它们分别适用于线性高斯系统和非线性非高斯系统。本文以标签随机有限集理论为基础,结合高斯混合及粒子滤波等数值计算方法,重点研究联合预测与更新广义标签多伯努利（Joint Prediction and Update Generalized Labeled Multi-Bernoulli,JGLMB）滤波和标签多伯努利（Labeled Multi-Bernoulli,LMB）滤波的快速实现方法。论文的主要研究内容及成果如下:1、针对现有群组划分方法计算复杂度高的问题,提出一种基于图论的群组划分方法。该方法首先根据目标和量测之间的位置关系建立邻接矩阵,并通过多次广度优先遍历对目标进行分组,再将各群组中目标波门内的所有量测划分到与目标对应的群组中。经理论分析,该方法的计算复杂度为平方级。此外,群组划分后,针对各群组所需采样数不一致的问题,提出一种群组采样数自适应设定方法。为了使采样数的分配更合理,该方法首先设定总采样数,并计算各群组的关联映射个数;然后,为每个群组分配采样数,从而大幅降低了所提方法的计算量;最后,将上述方法与标签多伯努利（LMB）滤波相结合,得到快速LMB滤波。仿真实验表明,快速LMB滤波在保证跟踪精度的前提下能大幅提高LMB滤波算法的运行效率。2、针对联合预测与更新广义标签多伯努利（JGLMB）滤波运行效率低,以及LMB滤波在目标与量测存在较大关联不确定性场景跟踪效果差的问题,提出一种混合标签多伯努利（Hybrid Labeled Multi-Bernoulli,HLMB）滤波算法。该滤波算法有效结合JGLMB滤波与LMB滤波的优势,在复杂场景采用JGLMB滤波,而在一般场景则采用LMB滤波,在保证跟踪精度的同时显著提高了算法的运行效率。仿真实验表明,所提算法的运行效率要优于JGLMB滤波,而跟踪精度要优于LMB滤波,且接近于JGLMB滤波。