空间邻近目标跟踪过程中存在航迹交错现象,传统的航迹关联与融合算法可靠性大大降低。提出基于跟踪状态监视的稳健航迹关联与融合跟踪算法:首先,采用滑窗式全局最优关联方法利用多帧航迹数据确认航迹关联对,并建立系统航迹;然后,根据确认关联航迹的实时关联状态检测航迹交错;最后,根据航迹衰减残差识别运动状态,自适应选择融合量测或者融合状态估计完成系统航迹的状态更新。仿真结果表明,算法能够提高融合航迹精度,实现稳健航迹关联与融合。

将空间邻近目标（Closely Spaced Objects, CSOs）整体建模为扩展目标（Extended Target, ET），用随机矢量和随机矩阵分别描述CSOs质心运动和扩散状态，并采用高斯逆Wishart（Gaussian inverse Wishart, GIW）概率假设密度（Probability Hypothesis Density, PHD）滤波器实现杂波和漏检条件下CSOs的稳定跟踪.修正了原GIW-PHD滤波器量测模型和形状估计的缺陷，给出新的递推表达式，并在此基础上提出一种多（形变）模型GIW-PHD滤波器，以适应CSOs分裂和融合引起的形状变化.仿真结果表明，所提算法能够有效跟踪CSOs，状态估计比原GIW-PHD更加准确，对CSOs的变化更加敏感.

针对现有算法难以利用单帧红外图像实现空间邻近目标(CSO)的超分辨问题，提出了一种基于稀疏重构理论的单帧超分辨方法。该方法充分利用了目标在焦平面阵列(FPA)分布的稀疏性以及光学系统点扩展函数(PSF)的结构特性，通过对FPA离散化网格采样构造稀疏量测模型，并将建立的1范数正则化问题转化为二阶锥规划问题求解；然后针对稀疏度过估计的重构结果，采用贝叶斯信息准则(BIC)实现模型选择，最终获得对目标个数和位置的准确估计。多组仿真场景验证了算法的有效性和超分辨能力；相比于已有算法，所提算法不仅提高了分辨正确率和位置估计精度，同时大幅缩减了计算耗时。

空间邻近目标在红外像平面的成像相互交叠，形成簇状像斑，为实现对各目标的有效跟踪与识别，必须对其进行分辨。提出了基于可逆跳跃马尔可夫链蒙特卡罗(RJMCMC)的空间邻近目标红外像平面分辨方法。在对多点源目标的红外像平面成像建模基础上，建立了基于贝叶斯推理的空间邻近目标红外像平面分辨框架，以可逆跳跃马尔可夫链蒙特卡罗方法实现了待估参数后验分布的计算，联合检测和估计出目标个数、各目标像平面投影位置和辐射强度参数。以中段弹道空间邻近目标的天基红外监视为例进行了仿真分析，结果表明，该方法能有效地分辨空间邻近目标中的目标个数和各目标投影位置和辐射强度。

空间邻近目标的存在对红外传感器的信号处理提出了超分辨的新要求。通过对红外焦平面的目标成像进行建模,推导了基于最小二乘准则的超分辨目标函数,针对传统最优化方法,对起始估计位置要求高、对高维目标函数计算复杂的缺点,引入粒子群优化算法,优化超分辨目标函数,联合估计出目标在红外焦平面的投影位置和辐射强度,实现对空间邻近目标的红外超分辨。结果表明,在模型最小二乘准则下,基于粒子群优化的超分辨算法性能优于传统的最陡下降法,具备更强的超分辨能力。