随着计算机硬件性能、数据处理技术、软件仿真能力和算法精度的不断提高,基于多传感器的多目标轨迹跟踪技术在各个领域都有了广泛的应用。通过多传感器协作进行识别与跟踪,相对于单一传感器或局部传感器簇采集的片段式信息分析技术来说覆盖更广,具有更强的鲁棒性和准确性。通过信息互补,实现对目标多方位高效识别。针对以上,本文对多传感器多目标跟踪的几个重点方面进行研究。(1)在多传感器协同组网探测方面。首先对整体传感器组网体系架构进行分析学习,之后对于多种多传感器的协同布控方式进行对比探讨,对于经典传统DCSP以及组织设计法进行研究,在此基础上确定了针对复杂环境及多气候状态下的动态组网协同技术,提出了优化的冗余互补动态联盟协同方案。并进行仿真实验,确定其适应大规模传感器协同应用的优化性能状态。(2)在多传感器数据关联方面。首先针对大部分关联方法不太注意的跟踪门进行深入分析,在对传统跟踪门优化方面,尝试提出了遗传算法融合编码的跟踪门优化方式,然后重点研究了传统数据关联算法原理特性,提出了粒子群退火关联算法。最后对多传感器的图像信息融合进行研究,详细探讨了图像信息融合级别、融合技术以及融合过程,提出了优化离散小波与颜色空间配准方式,并通过实验取得了很好的效果。(3)在多目标轨迹预测跟踪方面。首先介绍了卡尔曼目标状态滤波理论、目标运动状态基本假设以及目前目标跟踪技术的常规算法和方案,然后就目前跟踪方案的不足提出一种优化SSUKF算法,结合第二章优化协同组网方式进行多目标轨迹跟踪,使用Matlab2019b仿真软件仿真并实现多批次目标状态跟踪,并通过对实验结果进行对比分析,证明了球面分布无迹卡尔曼滤波相比于扩展卡尔曼滤波算法表现出更优的精确性和鲁棒性。