| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 课题研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 多源传感器信息融合的国内外发展现状 | 第11-12页 |
| 1.2.2 非线性滤波跟踪算法的现状 | 第12-13页 |
| 1.3 本文研究内容和章节安排 | 第13-15页 |
| 1.3.1 文章主要研究内容 | 第13-14页 |
| 1.3.2 文章章节安排 | 第14-15页 |
| 第2章 多源传感器信息融合的目标跟踪技术概述 | 第15-31页 |
| 2.1 多源信息融合系统的理论基础 | 第15-18页 |
| 2.1.1 信息融合的基本概念 | 第15页 |
| 2.1.2 信息融合的功能模型 | 第15-16页 |
| 2.1.3 信息融合的结构 | 第16-18页 |
| 2.2 信息融合常用的算法 | 第18-26页 |
| 2.2.1 卡尔曼滤波融合算法 | 第18-19页 |
| 2.2.2 非线性卡尔曼滤波算法 | 第19-23页 |
| 2.2.3 粒子滤波融合跟踪算法 | 第23-26页 |
| 2.3 光电经纬仪跟踪测量系统介绍 | 第26-29页 |
| 2.3.1 光电经纬仪跟踪测量系统的原理 | 第26-28页 |
| 2.3.2 光电跟踪中的光学传感器融合原理及影响因素 | 第28-29页 |
| 2.4 基于坐标转换的目标跟踪 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第3章 基于STACKF的多源传感器信息融合的目标跟踪算法 | 第31-45页 |
| 3.1 引言 | 第31页 |
| 3.2 改进的STACKF跟踪算法 | 第31-37页 |
| 3.2.1 改进的自适应CKF算法 | 第31-32页 |
| 3.2.2 改进的STACKF算法实现 | 第32-37页 |
| 3.3 基于改进的STACKF的多传感器信息融合 | 第37页 |
| 3.4 算法仿真与分析 | 第37-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第4章 基于STCPF的数据融合跟踪算法 | 第45-57页 |
| 4.1 引言 | 第45-46页 |
| 4.2 传统PF算法存在的问题及改进措施 | 第46-47页 |
| 4.2.1 粒子退化现象及衡量标准 | 第46页 |
| 4.2.2 重要性密度函数选取 | 第46-47页 |
| 4.3 改进的STCPF目标跟踪算法 | 第47-50页 |
| 4.3.1 改进的STCPF算法 | 第47-49页 |
| 4.3.2 基于STCPF的在线自适应加权融合算法 | 第49-50页 |
| 4.4 算法仿真与分析 | 第50-56页 |
| 4.5 本章小结 | 第56-57页 |
| 结论 | 第57-59页 |
| 参考文献 | 第59-62页 |
| 致谢 | 第62-63页 |
| 攻读硕士期间发表（含录用）的学术论文 | 第63页 |
