| 摘要 | 第1-4页 |
| ABSTRACT | 第4-7页 |
| 第一章 绪论 | 第7-11页 |
| ·目标跟踪研究的目的和意义 | 第7页 |
| ·国内外研究的现状 | 第7-8页 |
| ·目标跟踪概述 | 第8-9页 |
| ·本文研究工作概述 | 第9-11页 |
| 第二章 目标跟踪中的基本概念和理论 | 第11-21页 |
| ·引言 | 第11页 |
| ·目标跟踪的基本概念和研究方法 | 第11页 |
| ·动态模型 | 第11-13页 |
| ·滤波器的初始化 | 第13-14页 |
| ·四维状态向量估计的初始化 | 第13页 |
| ·九维状态向量估计的初始化 | 第13-14页 |
| ·量测模型 | 第14-15页 |
| ·MONTE CARLO 仿真方法 | 第15-16页 |
| ·跟踪门 | 第16-17页 |
| ·跟踪门的形状和尺寸 | 第16-17页 |
| ·跟踪门的类型 | 第17页 |
| ·数据关联理论 | 第17-19页 |
| ·数据关联的分类 | 第17-18页 |
| ·最近邻域数据关联 | 第18-19页 |
| ·概率数据关联 | 第19页 |
| ·联合概率数据关联 | 第19页 |
| ·本章小结 | 第19-21页 |
| 第三章 目标跟踪的基本算法分析 | 第21-35页 |
| ·卡尔曼滤波算法 | 第21-23页 |
| ·卡尔曼系统模型 | 第21-22页 |
| ·卡尔曼滤波的基本步骤 | 第22页 |
| ·卡尔曼滤波算法应用举例 | 第22-23页 |
| ·贝叶斯类多目标数据互联方法 | 第23-28页 |
| ·概率数据互联算法PDA | 第23-25页 |
| ·PDA 算法应用举例 | 第25-26页 |
| ·联合概率数据互联算法JPDA | 第26-28页 |
| ·机动目标跟踪 | 第28-30页 |
| ·交互式多模型算法IMM | 第28-29页 |
| ·Singer 加速度模型 | 第29页 |
| ·当前统计模型算法（CS） | 第29-30页 |
| ·分布式融合系统 | 第30-35页 |
| ·分布式融合结构 | 第30-31页 |
| ·简单凸组合融合算法 | 第31页 |
| ·不带反馈的最优分布式融合 | 第31-35页 |
| 第四章 基于分布式多模型机动目标的跟踪算法研究 | 第35-45页 |
| ·引言 | 第35页 |
| ·分布式单模型的目标跟踪 | 第35页 |
| ·分布式多模型的IMM 算法 | 第35-39页 |
| ·单平台多模型的IMM 算法 | 第35-36页 |
| ·单平台IMM_CA/CV 算法 | 第36-37页 |
| ·单平台IMM_CS/CV 模型算法 | 第37-39页 |
| ·分布式IMM_CS/CV 模型算法 | 第39页 |
| ·仿真与分析 | 第39-43页 |
| ·结论 | 第43-45页 |
| 第五章 分布式IMM 多目标跟踪算法 | 第45-53页 |
| ·引言 | 第45页 |
| ·DIMM_JPDA 算法 | 第45-48页 |
| ·单平台IMM_JPDA 算法 | 第45-46页 |
| ·矩阵扰动理论 | 第46页 |
| ·分布式IMM_JPDA 算法（DIMM_JPDA） | 第46-47页 |
| ·对DIMM_JPDA 算法的改进(DIIMM_CA/CV) | 第47页 |
| ·仿真与分析 | 第47-48页 |
| ·对DIIMM_CA/CV 算法的改进（DIIMM_CS/CV） | 第48-49页 |
| ·仿真实验结果的分析 | 第49-51页 |
| ·小结 | 第51-53页 |
| 第六章 总结与展望 | 第53-55页 |
| ·小结 | 第53页 |
| ·展望 | 第53-55页 |
| 致谢 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 附录：作者在攻读硕士学位期间发表的论文 | 第61页 |
