数十年来，在目标跟踪领域涌现了许多经典算法，诸如卡尔曼滤波、粒子滤波、交互式多模型（IMM）、概率数据互联（PDA）、集成航迹分裂（ITs）算法以及随机集方法等。然而，这些算法之间有什么本质联系？它们究竟是怎样帮助我们实现飞机、导弹、太空目标以及人乃至淋巴细胞的跟踪的呢？对于新的应用背景，该如何去调整这些算法呢？《目标跟踪基本原理》对以上问题进行了系统明确的论述。
　　《目标跟踪基本原理》由9章组成。首先，针对目标跟踪问题给出通用的贝叶斯解。基于此贝叶斯通用框架，系统地描述了主要的跟踪问题，如机动目标跟踪、多目标跟踪、杂波环境下的跟踪以及非顺序量测跟踪等，并给出了这些标准跟踪算法的详细推导。这一结构化的分析方法，将帮助越来越多的从事目标跟踪实践及科研的工作者理解和掌握种类众多的复杂目标跟踪算法，并为他们在各自特殊的应用背景下设计适应性的跟踪算法提供有力的理论支撑。书中*后给出了建立跟踪系统的一些实用算法，如航迹初始化、航迹合并算法等。附录中还给《目标跟踪基本原理》适合于从事目标跟踪问题研究的科技人员阅读，也可作为高等院校相关专业师生的参考书。

第1章 目标跟踪简介
1.1 目标跟踪问题综述
1.1.1 空域监视
1.1.2 视频监控
1.1.3 气象监控
1.1.4 细胞生物学
1.2 贝叶斯推理及其在目标跟踪中的应用
1.2.1 贝叶斯定理
1.2.2 贝叶斯定理在目标跟踪中的应用
1.3 目标跟踪的递推贝叶斯解
1.3.1 广义的目标运动方程
1.3.2 广义的传感器观测方程
1.3.3 广义的目标状态预测及其条件密度
1.3.4 广义的目标状态预测与更新
1.3.5 广义的目标状态滤波
1.3.6 广义的目标状态估计
1.4 小结

第2章 滤波理论与非机动目标跟踪
2.1 最优贝叶斯滤波
2.1.1 目标动态方程与传感器观测方程
2.1.2 最优非机动目标跟踪滤波
2.2 卡尔曼滤波
2.2.1 卡尔曼滤波推导
2.2.2 卡尔曼滤波方程
2.3 扩展卡尔曼滤波
2.3.1 线性滤波近似
2.3.2 扩展卡尔曼滤波方程
2.4 不敏卡尔曼滤波
2.4.1 不敏变换
2.4.2 不敏卡尔曼滤波算法
2.5 点群滤波
2.5.1 转移和预测密度
2.5.2 似然函数和归一化因数
2.5.3 条件概率密度
2.5.4 点群滤波方程
2.6 粒子滤波
2.6.1 单目标粒子滤波跟踪
2.6.2 最优重要性密度粒子滤波（0ID-PF）
2.6.3 单目标跟踪的辅助自举滤波
2.6.4 单目标跟踪的扩展卡尔曼辅助粒子滤波
2.7 性能界限
2.8 演示实例
2.9 本章小结

第3章 机动目标跟踪
3.1 机动目标跟踪模型
3.1.1 单模型状态增广
3.1.2 多模型算法
3.2 最优贝叶斯滤波
3.2.1 过程、观测和噪声模型
3.2.2 条件概率密度和模型概率
3.2.3 最优估计
3.3 广义伪贝叶斯滤波
3.3.1 一阶广义伪贝叶斯滤波
3.3.2 二阶广义伪贝叶斯滤波
3.4 交互作用多模型
3.4.1 IMM滤波方程
3.5 基于粒子滤波的机动目标跟踪
3.5.1 基于自举滤波的机动目标跟踪
3.5.2 基于辅助自举滤波的机动目标跟踪
3.5.3 基于扩展卡尔曼辅助粒子滤波的机动目标跟踪
3.6 性能界限
……

第4章 杂波环境下的单目标跟踪
第5章 杂波环境下的单／多目标跟踪：基于目标存在性的方法
第6章 基于随机集的杂波环境目标跟踪方法
第7章 目标跟踪的贝叶斯平滑算法
第8章 基于延时、乱序观测的目标跟踪
第9章 实用目标跟踪算法
附录
参考文献