众所周知,机动目标跟踪技术在军事和民用以及其他的众多领域都有着广泛的应用,也使得该课题在国内外得到深入的研究和快速的发展。在机动目标跟踪技术中,典型的滤波算法是卡尔曼滤波和扩展卡尔曼滤波,前者在线性、高斯系统下能获得最小均方差意义下的最优状态估计,后者在弱非线性系统下能获得次优估计。但对于强非线性、不满足高斯分布的系统,上述两种滤波算法的估计精度就难以得到保证,甚至使滤波发散。近几年发展起来的粒子滤波作为一种非线性滤波器,由于能够解决任意非高斯、非线性系统的估计问题而颇受关注。本文主要研究粒子滤波及其它典型非线性滤波算法的原理,并在此基础上改进辅助变量粒子滤波的重采样过程和高斯粒子滤波的重要性密度函数来解决机动目标跟踪问题,以有效实现机动目标跟踪。首先,对多种非线性滤波算法的基本原理进行了详细的阐述,并对它们各自的优缺点以及适用范围进行了分析。其次,为解决辅助变量粒子滤波中存在的粒子退化这一问题,本文提出一种新的改进辅助变量粒子滤波算法,该算法将正则化步骤加入到重采样过程中,从后验概率分布的连续近似中进行重采样得到新的粒子,增加粒子多样性,改善算法的估计精度;本文还提出基于容积卡尔曼的高斯粒子滤波算法,该算法采用容积卡尔曼滤波算法构造出新的重要性密度函数,加入了最新的观测信息,且在时间更新阶段利用容积卡尔曼滤波完成仅对高斯分布参数的更新,以提高算法的效率,通过MATLAB实验仿真表明改进算法的可行性和有效性。最后,针对机动目标的跟踪问题,概述了机动目标跟踪技术的基本原理,介绍了几种常用目标运动模型以及交互式多模型,由于交互多模型在机动目标跟踪中可以准确有效的辨识机动参数,且通过多个模型来描述运动模型,本文将交互多模型和基于容积卡尔曼的高斯粒子滤波算法结合在一起以解决在机动强度不同下的目标跟踪问题,仿真结果表明,IMM-CKGPF有效实现了在机动强度不同情况下的目标跟踪,且跟踪性能要好于IMM-GPF。