1.一种基于多源异构信号的多目标追踪及状态预测方法，其特征在于，包括如下步骤：(1)采集多源异构信号：通过多源异构传感监测系统采集多源异构信号；

(2)提取特征信号：将采集到的信号，通过通信网络传输到用户端，用户端的控制系统通过数据挖掘方法对采集的信号进行特征提取，得到多个目标的位置信息，作为特征信号(3)状态空间建模：将提取的特征信号作为输入，建立状态空间模型；所述步骤(3)中状态空间建模的具体步骤如下：建立状态空间模型；

xk＝f(xk‑1,uk,wk)

yk＝h(xk,vk)

k为时间指数，xk为提取的特征，f(·)为状态转换函数，uk为控制输入，wk为独立分布的高斯噪声，yk为测量信号，h(·)为测量模型，vk为测量误差；

(4)动态追踪及预测：利用贝叶斯分析算法，针对场景状态进行动态跟踪和预测；所述步骤(4)中动态追踪及预测的具体步骤如下：基于观测值y1:k＝{y1,y2,…,yk}估计特征xk与预测xk+1，通过顺序迭代计算得到：p(xk+1|y1:k)＝∫p(xk+1|xk)p(xk|y1:k)dxk其中状态转换概率函数p(xk+1|xk)由状态转换模型得到，p(yk|xk)由观察模型获得到；

(5)多源异构传感信号融合：利用分类预测方法对每个传感器做各状态概率预测；所述步骤(5)中多源异构传感信号融合的具体步骤如下：利用分类预测方法对每个传感器做各状态概率预测；

pij＝πjN(xi|θj),i＝1,2,…,I,j＝1,2,…,J其中，xi为第i个传感器信号特征，θj为第j个状态的高斯分布参数，I为传感器个数，J为状态种类数，πj为第j个状态的先验概率，pij为第i个传感器信号预测结果为第j个状态的概率；基于各传感器独立监测结果，采用Dempster‑Shafer证据理论对pij进行决策融合，令Aj为第j个状态，则识别框架Θ＝{A1,A2,…,AJ}， 则决策融合概率为其中K为归一化常数， mi为mass函数且mi(Aj)＝pij；则第j个状态的置信概率为mi(Aj)，通过比较各状态的置信概率，得到在现有I个传感器观测的结果下，观测物最有可能出现的状态，以此获得观测物实时定位状态信息；

(6)智能体运动控制：用户端的控制系统根据目标的实时定位状态，控制智能体运动，保证监测目标始终在智能体的最佳监测位置。

2.根据权利要求1所述的一种基于多源异构信号的多目标追踪及状态预测方法，其特征在于，所述步骤(2)中的多源异构信号通过视觉传感器、红外传感器和声波传感器，分别收集场景的图像信号、光谱信号和距离信号。