机动目标跟踪技术广泛应用于导航、交通和军事等相关领域。随着科技水平的不断提升,对于现代跟踪系统而言,目标逐渐呈现出具有高速、强机动性等发展特点。对这类目标进行准确实时的跟踪往往是具有挑战性的问题,在理论和实践上都具有较高的技术难度。现有的目标跟踪算法多是选择以不同的目标机动方式且具有较高跟踪精度的交互多模型算法为基础。一是直接通过改进交互多模型的滤波算法来提高目标的跟踪精度;二是合适的模型选择及切换方法,消除目标发生机动带来模型失配问题,使设计的模型尽可能地接近目标运动的真实轨迹,进而提高目标的跟踪精度。鉴于此,本文对基于交互多模型的多滤波器机动目标跟踪进行深入研究,主要研究内容如下:(1)在离散时间系统的状态估计问题中,针对目标运动模型和量测数据所使用的坐标系不同而导致的模型不匹配问题,在迭代扩展卡尔曼滤波器和无偏转换测量卡尔曼滤波器的基础上,提出一种迭代无偏转换测量卡尔曼滤波器算法。该算法能够根据测量值对状态估计误差矩阵进行修正,调整状态估计,使其自适应地更接近目标真实值,可在一定程度上加快目标跟踪算法的收敛速度。实验证明,当目标初始误差较大时,新提出的方法能够获得更快的收敛速度和更高的目标跟踪精度。(2)在具有机动性或弱机动性的目标跟踪问题中,目标状态信息通常无法获得且缺乏先验性,基于单一模型的目标跟踪算法已不能准确地匹配目标的实际运动状态,从而导致目标跟踪的准确度低甚至出现目标丢失等问题。针对此类问题,将交互多模型思想与前文提出的迭代无偏转换测量卡尔曼滤波算法进行有效的结合,提出基于交互多模型的迭代无偏转换测量卡尔曼滤波算法。新算法利用不同模型之间交互互补的特性,可以克服单模型滤波存在的精度低、滤波发散等问题。最后,在常加速、Singer、“当前”统计和Jerk四种不同模型的组合上,通过仿真分析验证该算法的可行性和有效性。(3)在具有强机动性的目标跟踪问题中,由于目标具有极其不确定因素,诸如目标在较短时间内可获得相对较大的速度等情况。现有的机动目标模型在某种程度上很难精确匹配目标的运动状态。本文提出一种基于交互多模型的多滤波器目标跟踪算法,采用多种不同的滤波器同时并行滤波,利用凸组合融合算法对多个滤波器的估计结果进行融合处理,从而得到更加准确、可靠的结果。实验证明,相比与单滤波器的多模型滤波跟踪方法,多滤波器融合的多模型跟踪方法在跟踪精度上具有潜在的优势。