在分布式多传感器多目标跟踪系统[1-2]中，航迹关联(即判断航迹“同源”)是进行信息融合的基础。然而传感器开机时机或采样周期的不同往往导致航迹是异步不等速率[3-4]的，这增大了航迹关联的难度。
为解决此问题，文献[5]提出一种基于最小二乘法的关联算法；文献[6]利用顺序成对关联思想，将关联问题转化为广义似然比检验；文献[7]借助变异蚁群算法解决了最小二乘多维分配问题。文献[8]组合距离分布直方图特征，引入机器学习进行特征提取，对航迹插值处理进行时间对齐；文献[9]利用滤波插值补偿全局估计，构造反馈序列，进行自适应航迹关联。文献[10]利用插值重构，将测量值与滤波值统一，用伪测量校准时间后再使用经典分配法进行关联。通过衡量航迹集合之间的最优次模式分配(OSPA)距离[11]，文献[12]提出一种基于滑窗OSPA距离的航迹关联算法，但对于不等速率采样情况下的异步航迹关联仍需作同步处理。
无论是最小二乘拟合还是拉格朗日插值，异步不等速率航迹关联问题的传统解决思路是先通过时域配准[13]将航迹时刻统一，再利用内插外推的方法得到等长航迹序列进行关联。但时域配准会增加算法运算量，且在同步化过程中，估计值的误差会发生传播，这种传播与滤波误差有一定相关性，难以进行描述和衡量，从而影响关联性能。
文献[14]引入灰理论[15]，用区间灰数表征异步特性，提出了航迹灰关联算法；文献[16]通过区实混合序列变换，将航迹序列灰化，利用灰色系统分析进行关联；文献[17]使用动态时间规划，从整体上考虑航迹形状的相似性进行关联。文献[18]则将不同航迹公共测量时间区间划分为时间窗，计算时间窗权重，应用D-S证据理论或Bayes理论进行关联。
文献[16-18]无需时域配准对异步航迹进行关联，但算法均是以航迹间距离为依据，根据航迹整体形状相似性或相对位置进行关联。在实际的航迹交叉、分叉和合并[12, 19]现象中，航迹交叉点或航迹分叉合并前后的平行阶段，依靠局部航迹间的距离进行航迹关联往往会导致错误关联。
为避免以局部航迹距离为判据带来的错误关联，
