由于单传感器探测目标存在探测范围小、目标容量低的缺点,为了应对复杂场景,多传感器组成传感器网络实现对目标的高效探测就成为了传感器研究的重要发展方向。但是,为了发挥多传感器网络的最有效能,需要对传感器资源进行合理地管控。针对多传感器的资源管控问题,本文从多传感器的目标分配、任务调度、功率分配三个角度,对近年来的多传感器资源管控方法进行了梳理,并利用机器学习的方法对传统的资源管控方法进行了改进。多传感器的目标分配能够将多传感器资源管控问题转化为单传感器资源管控问题,因此是多传感器资源管控问题的基础。本文以在有限时间内跟踪目标价值最高构建目标分配的数学模型,并分析了求解这一数学模型的传统的启发式算法与遍历算法。为了克服传统启发式算法容易陷入局部最优解的问题,本文基于粒子群算法提出了一种改进的Hopfield神经网络方法。同时,为了克服遍历方法用时过长的问题,本文提出了利用遍历方法得到的理论最优方案训练BP神经网络的方法进行求解,从而能够在较短时间得到接近理论最优方案的目标分配方案。多传感器的任务调度是实现其功能的核心,本文基于目标探测的延时代价与丢弃代价,构建多传感器任务调度的数学模型,并分析了求解这一数学模型的优先级表法与自适应粒子群算法。为了能够得到任务调度的理论最优方案,本文研究了回溯法,为了克服回溯法用时过长的问题,利用卷积神经网络预测回溯法中搜索节点的最小代价进行剪枝,以求加速回溯法的搜索树搜索速度。多传感器的功率分配能够提高目标的探测精度,本文推导了目标位置估计误差的克拉米罗下界,以此为基础构建了多传感器功率分配的数学模型。为了克服收发节点损耗模型过于理想化的问题,本文引入了一个大气损耗系数,将这一系数考虑进功率分配的数学模型之中,提出了一种功率分配的两步法,实现在考虑大气干扰的情况下的较多目标的多传感器功率分配。最后,本文基于自身研究的不足,对未来的研究进行了展望,提出多传感器资源管控的可能研究方向。