随着信息技术的高速发展,目标跟踪技术在军事和民用领域都展现出了不可取代的重要性。而在目标跟踪的过程中,无法避免地,处理程序会接收到错误的报告点信息或是误差较大的报告点信息,即杂波。这无疑会使处理程序得到错误的跟踪结果,造成虚警、漏警等常见问题。针对这些问题,相关领域的研究人员提出了一些有一定适用性的解决办法,但在复杂场景下,由于杂波种类繁多,计算机性能有限等各种问题,导致目前常用的杂波识别算法不能得到预期的效果。因此,寻找一种高精度高效率的杂波识别算法具有重要的研究意义和应用价值。本文首先描述了当前常用的单网格杂波识别算法在实际复杂场景下的不足以及一种新的密度聚类杂波识别算法在一些场景下的缺陷,接着考虑对复杂场景下的点迹进行更加完备的特征提取,并应用机器学习分类算法提升杂波识别的准确率,从而提高目标跟踪的效果。进一步地,本文还提出一种双层的融合智能模型加强对杂波特征的学习,并验证其具有更好的杂波识别效果。具体地,本文先将雷达探测区域依据TWS报告方式划分为形状合适且面积尽量小的单位区域。为了识别出杂波,本文提出了通过统计真实目标轨迹的特性来反向识别出杂波的方法,将各单位区域的中心进行提取,即把每个单位区域看作一个聚合点,拟合距离较近的单位区域为一条条曲线,设定每N个周期为一个滑动窗口,将每个滑动窗口的曲线记录下来,则每条曲线都有N个数据点。将每条曲线的属性集看作特征数据集中的一条数据,则该数据包含以下属性:设置累积检测周期也为N,提取在检测周期内每个凝聚点对应的单位区域的密集程度特征作为第一特征属性,并依据实际情况考虑加入每个单位区域附近的单位区域的密集程度特性作为第二、第三特征属性,接下来再计算N个点距离拟合曲线的平均距离、距离方差、平均方位偏差、方位方差与每个凝聚点更新时间的平均变化量作为每条曲线的属性,等待后续机器学习算法的训练。在训练杂波识别模型时,通过尝试三种机器学习中可用于二分类的经典算法（支持向量机、XGBoost、Light GBM）以及本文提出的双层融合智能算法来对各单位区域是否为杂波区域即各条拟合曲线是否为目标轨迹进行识别,若某条拟合曲线不为目标轨迹,则该曲线涉及的区域范围被判定为杂波区域。本文涉及到了机器学习算法,分别使用模拟仿真场景下的数据集以及真实复杂场景下的数据提取出的特征属性作为训练集,训练出杂波识别模型。最后分别通过在同一仿真场景和同一真实场景下对常用的单网格杂波识别方式和一种密度聚类的杂波识别方式与本文提出的结合机器学习的杂波识别方式进行比较,得出本文提出的杂波识别算法拥有更高的精度。同时也通过比较四种机器学习算法在杂波区域识别下的准确率和训练速度,得到以下结论:双层融合智能模型的训练精度较高于XGBoost与Light GBM,又较高于支持向量机SVM,对比常用的单网格杂波识别方式,尤其是在真实复杂场景下,SVM、XGBoost、Light GBM与融合智能模型分别在识别准确率上高出7.58%、12.60%、10.84%、14.73%,对比密度聚类杂波识别算法,又分别高出4.66%、9.68%、7.92%、11.81%,并且四种机器学习杂波识别算法在召回率与精确率方面也有很好的表现。在训练速度上,Light GBM与SVM较XGBoost快,又较双层融合智能模型更快。但是本文提出的杂波识别模型训练是一种离线的训练方式,不影响实时目标跟踪的过程,对实时目标跟踪有影响的部分是预测耗时,而四种机器学习杂波识别算法的平均预测耗时都在毫秒级,因而不影响目标跟踪程序的实时性,并且,本文提出的SVM、XGBoost、融合智能模型杂波识别算法对训练数据集的大小要求很低,能通过少量的数据训练出高精度的模型。