主动声呐在目标探测过程中,不可避免地因传感器噪声的影响而产生测量误差,并伴随大量的虚警和漏检,声呐信号处理中利用目标跟踪技术完成对多目标状态的估计及目标身份的标识。以多假设跟踪为代表的传统多目标跟踪算法存在数据关联组合爆炸的弊端,难以胜任杂波密集的目标数量多的实时跟踪情形。因此本文以主动声呐水下多目标跟踪为背景,对Rao-Blackwellized蒙特卡洛数据关联(Rao-Blackwellized Monte Carlo Data Association,RBMCDA)算法的实时计算和基于概率假设密度的多目标跟踪算法展开了深入研究。本文首先分析了主动声呐水下多目标跟踪的特点,状态矢量通常由目标的位置坐标和速度组成,观测数据由方位和距离组成,并且观测方程是非线性的,因此使用无迹卡尔曼滤波器进行单目标状态滤波。然后深入研究了Rao-Blackwellized粒子滤波器框架下的RBMCDA算法。该算法基于序贯蒙特卡洛思想,给出了数据关联的粒子滤波递推形式,避免了传统多假设跟踪复杂的数据关联组合,跟踪性能良好。但是跟踪结果只能由跟踪结束时刻权值最大的粒子给出,是一种批处理算法,无法实时给出每个时刻的跟踪结果。因此,本文提出一种基于密度聚类和RBMCDA的新算法(C-RBMCDA),该算法在每个时刻利用密度聚类对所有粒子下的目标状态进行聚类,以聚类簇中心作为目标状态估计,通过目标标签管理,能够实时输出目标轨迹。仿真实验将无迹卡尔曼滤波器嵌入新算法,验证了新算法实时跟踪的有效性,并且在先验信息失配的情况下,较RBMCDA有更好的鲁棒性。基于随机有限集的多目标贝叶斯滤波器为多目标跟踪带来了新的解决方案,巧妙地回避了传统多目标跟踪的数据关联过程。概率假设密度滤波器作为其一阶统计矩近似,具有序贯蒙特卡洛近似和高斯混合近似两种工程实现方式,并得到了广泛应用。为了消除对目标新生先验的依赖,本文提出新生目标先验位置由上一时刻的观测数据解算。由于概率假设密度滤波器是一种多目标状态估计器,无法给出目标标识,本文在高斯混合概率假设密度滤波器的基础上,为每一个高斯分量添加标签信息,通过标签管理,输出具有身份标识的目标状态。仿真实验证明了算法在高杂波率、多目标交叉、目标机动环境下的有效性,并且相对于RBMCDA算法计算效率更高。