多假设跟踪（multiple hypothesis tracking,MHT）方法是一种在多个扫描上评价关联假设并由此做出决策的贝叶斯型关联跟踪方法,此方法能够在信噪比低10-100倍的状况下获得与单扫描方法相当的性能,但同时会带来相当大的计算量。本文研究了面向航迹MHT中的关键算法,包括航迹得分计算与航迹树的生成、将航迹聚类和假设生成建模为图论问题并求解、N扫描回溯剪枝等,特别关注了这些算法过程的实现;提出了一种关联深度自适应（adaptive association depth,AAD）方法,使关联深度随关联场景的复杂程度自适应变化;仿真研究了本文提出的AAD-MHT跟踪密集目标的性能,结果和分析表明,与深度值固定为6的MHT相比,最大深度为6的AAD-MHT既能保证性能又有效降低了计算量。
