随着航天技术的发展，临近空间飞行器因其具有高速、强机动以及隐身特性而受到各国的极大关注。临近空间目标的复杂机动特性给雷达跟踪系统带来了巨大的挑战，研究跟踪精度高、实时性好的强机动目标跟踪算法已逐渐成为临近空间技术研究的重点。本文对临近空间强机动目标跟踪算法进行了深入研究，主要围绕如何更好地匹配强机动目标运动特性和降低滤波算法计算复杂度展开。本文的主要研究工作及主要贡献如下:　　(1)重点研究了线性卡尔曼滤波算法以及几种非线性滤波算法，总结了各种滤波算法的原理及优缺点。同时对几种非线性滤波算法的性能进行了仿真对比分析，仿真结果表明，不敏卡尔曼滤波算法具有较高的跟踪精度和较低的计算复杂度，适用于临近空间目标的非线性机动特性。　　(2)总结了几种基本运动模型的建模方法及模型优缺点。借鉴“当前”统计(Current statistical，CS)模型的思想，建立了一种基于“当前”统计的CS-Jerk模型。该模型假定机动目标的加速度变化率为非零均值指数自相关的随机过程，消除了原Jerk模型的性能局限，使得对加速度变化率的估计更加符合强机动目标的实际运动过程。　　(3)针对临近空间目标巡航阶段周期跳跃式机动特性，提出了一种基于正弦相关函数的Sine-Jerk模型，该模型将机动目标的加速度变化率建模为具有正弦自相关的随机过程。仿真结果表明，对于具有周期强机动特性的目标，Sine-Jerk模型具有更优的机动匹配性能。　　(4)为提高交互式多模型(Interacting Multiple Model，IMM)算法的实时性及跟踪精度，本文将机器学习中的Logistic回归算法应用于目标跟踪中，提出了一种改进的LR-IMM算法。该算法使用Logistic回归对目标的运动状态作前置分类，再根据分类器输出值选择一定概率阈值之上的模型组成模型集合，形成了一种模型集自适应的IMM算法。仿真结果表明，改进的算法不仅降低了标准IMM算法的计算复杂度，使得实时性得到提升;同时由于模型集的自适应性，一定程度上提高了对临近空间强机动目标的跟踪精度。