多传感器数据融合作为一门新兴的交叉学科，其研究目的是通过综合多个传感器的信息获得更加准确的估计与推理。多传感器数据融合理论与多目标跟踪技术相结合是当前科学研究的热点，它将多个传感器信息进行有机地合成，用以提高目标运动状态估计的精度，其跟踪性能优于任何一个单传感器。 论文综述了数据融合的基本原理、功能模型和常用方法；介绍了目标跟踪中常用的Kalman滤波算法以及用于非线性系统的扩展Kalman滤波算法。在此基础上，对数据融合中的关键问题——航迹关联、航迹融合进行了深入细致的研究。 研究了用于集中式结构的多传感器联合概率数据互联(MSJPDA)算法，将算法的并行结构和串行结构进行了对比，随着传感器数目的增多，串行结构的性能略优于并行结构；研究了用于分布式航迹关联结构的几种常用算法，针对经典分配关联方法中遇到的多维分配问题，利用遗传算法进行了解算，有效的减少了计算量；针对实践中经常遇到的多传感器异步问题，提出了基于伪点迹的异步航迹关联算法，通过仿真实例，验证了算法能较好地解决多传感器异步航迹关联问题，关联正确率接近90％。 研究了用于集中式融合的并行结构算法和序贯结构算法，并在此基础上推导出用于分布式融合结构的最优算法，但算法在取得最优性能的同时，加重了计算负担。介绍了用于分布式融合的简单融合方法(SF方法)、Bar Shalom-Campo方法。在此基础上研究了自适应融合方法，自适应方法可以根据系统需求自适应的选择融合方法，计算开销明显低于Bar Shalom-Campo方法，但在融合性能上非常接近于Bar Shalom-Campo方法，仿真实例验证了结论的正确性。