地面多目标跟踪技术通过单个或者多个传感器获取地面多目标(如坦克、车辆等)的量测信息,估计地面目标的数量、运动状态及运动轨迹。实际中,受复杂地形等因素的影响,目标状态信息(位置、速度、加速度等)及数目随着时间而随机变化;此外,受城市高大建筑物及树木丛林的遮挡、漏检以及杂波等因素影响,传感器的量测和数目同样也随时间随机变化。上述问题造成目标状态与传感器的量测难以有效关联,极大限制了基于数据关联跟踪算法的跟踪性能。基于随机有限集的地面多目标跟踪方法将多目标的状态集和传感器的量测集建模为随机有限集的形式,避免了目标状态集和量测集关联关系对算法性能的制约,为地面多目标跟踪方法的研究提供了良好的解决思路。δ-广义标签多伯努利滤波器(δ-GLMB)是基于随机有限集滤波方法中较为常用的方法之一,具有强鲁棒性、可直接估计运动目标轨迹的优势。因此,本文将δ-GLMB算法应用于地面多目标跟踪场景。针对地面多目标跟踪场景的强非线性、强杂波的特点,本文从两个方面开展研究:(1)为提高非线性场景的地面目标跟踪精度,提出基于均方根容积卡尔曼(SCKF)的δ-GLMB高斯混合实现算法。该算法将SCKF应用于高斯混合(GM)实现的δ-GLMB滤波器,解决了高斯混合(GM)实现的δ-GLMB滤波器在非线性场景跟踪精度差的问题。该算法可以用于低杂波、偏僻郊区等对算法运算要求不高的场景。(2)城市环境中受高大建筑物散射以及杂波密集度高等因素的影响,跟踪滤波算法的运算复杂度很大。为此,本文在确保跟踪精度需求的同时,通过牺牲部分精度,采用容积卡尔曼(CKF)对改进的GM-δ-GLMB滤波算法的高斯参量进行预测与更新。为减小跟踪滤波算法的计算复杂度,提出一种基于距离加权的量测合并策略对CKFGM-δ-GLMB算法进行改进,以适应强杂波密度场景下的地面目标跟踪。论文分别对上述两种算法进行了仿真实验分析。首先,分别在固定杂波密度下和不同杂波密度下将本文的SCKF-GM-δ-GLMB算法与EKF-GM-δ-GLMB、UKF-GM-δ-GLMB等算法进行对比分析。其次,在强杂波密度下通过对比基于CKF的改进GM-δ-GLMB算法与GM-δ-GLMB、SCKF-GM-δ-GLMB算法的跟踪性能,来验证基于CKF的改进GM-δ-GLMB算法的有效性。