目标跟踪技术自从诞生以来,就被广泛地应用到军事领域和民事领域中,取得了丰硕的发展成果。在现代目标跟踪领域中,目标的运动特性与过去相比出现了很大不同,主要表现在高机动性和运动模式的复杂性,这对目标跟踪系统的鲁棒性提出了挑战。1、本文从提高滤波跟踪算法鲁棒性的角度出发,将平滑变结构滤波器的鲁棒性结合到传统滤波跟踪算法中,构建了新的组合算法,组合算法既保持了传统滤波算法的精度又具有平滑变结构滤波器的鲁棒性。2、“当前”统计模型是目前较为实用的一种机动目标跟踪模型,但当目标加速度的变化范围较大或者状态突然发生变化时,“当前”统计模型的滤波跟踪误差将增大。本文将经典卡尔曼滤波与平滑变结构滤波的组合算法结合到“当前”统计模型中,构建了一种新的算法,即CS-KF-SVSF,新算法解决了“当前”统计模型应对强机动目标滤波误差变大的问题。3、为增强非高斯噪声系统的滤波鲁棒性,本文将平滑变结构滤波器与高斯和滤波进行结合,却发现组合算法的时变平滑边界层的指示作用降低导致其滤波精度下降,基于此问题,提出了一种并行结构的新算法,即修正的GS-KF-SVSF,新算法采用平滑变结构滤波器的时变平滑边界层来指示滤波增益的转换,实现了精确且稳定的滤波跟踪结果。基于平滑变结构滤波器的时变平滑边界层具有指示建模不确定性及系统参数变化的作用,这为故障检测及增强系统鲁棒性提供了新思路。