多目标跟踪是用信号处理方法对应用场合中存在的多个目标的位置信息进行估计。目前,多目标跟踪技术在视频监控、智能交通系统、雷达、机器人等众多领域得到了广泛应用。传统的多目标跟踪方法,如最近邻方法和联合概率数据关联方法等,是针对每个目标设计单目标随机滤波器,然后利用数据关联技术得到跟踪结果。这些方法虽然已在实际中成功应用,但其要求较多的先验条件,或者要求应用场合中目标数目不变；此外,由于采用了数据关联技术,其计算量较大。近年来,人们在尝试用随机有限集理论来解决多目标跟踪问题,其中最具代表性的是Mahler提出的概率假设密度滤波算法。该方法用随机有限集表示多个目标的状态、数目和观测值,然后应用贝叶斯滤波技术对多目标状态进行估计。与传统的多目标跟踪方法相比,基于随机有限集的多目标跟踪方法避免了多目标跟踪中复杂的数据关联问题,不仅有效控制了计算量,而且在跟踪期间,目标的数目可以变化。本文从基于随机有限集的多目标跟踪滤波器入手,对线性系统和非线性高斯系统下的概率假设密度滤波器进行了改进,提高了滤波器的跟踪精度,增强了算法的鲁棒性,并将其应用于多说话人跟踪问题,使说话人位置信息的估计更准确。本论文的主要工作如下：(1)针对高斯混合-概率假设密度滤波器在多个相互接近目标跟踪中存在滤波精度下降的问题,提出了一种改进的高斯成分合并算法,并将其应用于高斯混合-概率假设密度滤波器中。该算法对递推后的高斯成分选择性合并,利用权值判断高斯成分是否用于提取目标状态,利用均值和协方差阵判断高斯成分是否用于合并,从而可避免用于提取目标状态的高斯成分的合并问题,减少目标位置的估计误差。仿真结果表明,该算法提高了高斯混合-概率假设密度滤波器在多个相互接近目标跟踪中的滤波精度,增强了算法的鲁棒性。(2)针对多目标跟踪的非线性高斯系统模型,提出了一种基于中心差分卡尔曼-概率假设密度滤波的多目标跟踪方法。该方法采用Stirling内插公式对非线性函数作多项式逼近,利用中心差分卡尔曼滤波和高斯混合-概率假设密度滤波对后验多目标状态一阶矩进行估计,并通过递推更新得到目标状态,以实现对多个目标的跟踪。该方法无需求解非线性系统函数的雅克比矩阵,且具有二阶泰勒展开式精度。仿真实验结果表明,该方法降低了系统模型非线性对滤波算法的影响,提高了目标状态和数目的估计精度。(3)针对多说话人跟踪的非线性高斯系统模型,提出了一种基于数值积分卡尔曼-概率假设密度滤波的多说话人跟踪方法。该方法采用麦克风阵列的时间延迟估计作为观测数据,利用具有三次代数精度的球面-径向数值积分准则计算非线性系统贝叶斯滤波器中多维函数的积分,通过数值积分卡尔曼滤波和概率假设密度滤波对后验多说话人状态的一阶矩进行估计,并通过递推更新得到说话人状态信息,实现非线性高斯系统的多说话人跟踪。该方法无需求解非线性系统函数的雅克比矩阵,且计算量较小。通过仿真实验,分析了检测概率、虚警点数目、采样周期、信噪比以及混响时间变化时跟踪算法的性能。实验结果表明,该方法增强了跟踪算法的鲁棒性,提高了说话人状态和数目的估计精度。