目标跟踪是根据传感器获得的目标观测数据对目标的状态进行精确估计。传统的基于状态空间模型的贝叶斯滤波方法框架通过将目标的运动和传感器测量与目标状态建立运动模型和测量模型,并在状态空间中估计更新来获取目标状态的估计。这类方法在模型能够精确描述系统的真实情况时可以得到准确的状态估计。但是,在实际的目标跟踪场景中,单一的模型往往难以准确表达目标的运动和观测系统的复杂性和不确定性。针对这一问题,本文提出了数据驱动和模型驱动相结合的目标跟踪方法,将贝叶斯滤波框架与深度神经网络相结合,研究单目标、多目标状态估计方法的具体研究内容如下:1、数据驱动的单目标跟踪方法研究通过神经网络对目标的观测数据以及历史状态数据进行学习,从历史数据和观测数据中抽取估计值与数据之间的关系,从而产生对目标状态值的修正。2、数据-模型混合驱动的单目标跟踪方法将贝叶斯滤波与深度学习网络进行联合,利用贝叶斯滤波对目标状态进行初次估计,再利用数据驱动对估计结果进行修正,从而实现对目标状态值的估计。最后,将三个模型进行集成,分别利用各自模型的优势,实现对线性模型和非线性模型的状态估计,从而提高目标跟踪准确性,提高泛化能力。3、数据驱动的多目标跟踪方法利用观测数据的时序性,采用数据驱动的方法对不同时刻的观测值进行估计。通过构建新的深度神经网络预测目标的观测值与轨迹之间的关联概率函数,根据观测值在不同的关联概率函数得到的关联分数,将观测数据与单个目标进行关联。最后利用状态估计模型估计单个目标的状态,实现多目标跟踪。4、循环卷积神经网络与概率假设密度滤波相结合的多目标跟踪方法利用随机有限集和高斯混合概率假设密度,在目标状态空间上基于循环卷积神经网络对多目标状态进行建模。从目标的空间状态表示矩阵中学习目标估计状态与真实状态的运动差别。为了使实验数据具有实际意义,需要根据目标状态的不同属性,建立不同的模型训练子集在不同的神经网络上训练。利用传感器得到的观测值计算目标的卡尔曼增益对估计结果进行修正,得到最终多目标不同状态进行估计。在多种仿真实验中对上述方法进行了对比和分析,本文数据驱动与模型驱动的目标跟踪方法在多种目标跟踪场景中均取得了良好的估计性能,验证了所提方法的有效性。