随着目标跟踪在军事和民用领域的广阔应用前景,对目标跟踪问题的研究已经受到人们的广泛关注,机动目标的跟踪问题成为当前的一个研究热点。目前,目标跟踪的研究主要集中在提高算法的机动目标跟踪性能和多传感器信息融合两个方面。本文旨在研究机动目标跟踪算法,并对算法存在的一些问题,结合信息融合技术对算法进行改进。卡尔曼滤波对线性高斯系统有最优估计。机动目标的跟踪系统一般都是非线性的。扩展卡尔曼滤波(EKF)就是解决非线性系统最常用的算法,该算法的思想是对系统的非线性作线性化处理,然后根据卡尔曼滤波框架递推滤波。由于EKF对系统模型进行线性化近似引入了误差,而且需要计算雅克比矩阵,不易实现。针对EKF的这些问题,引入无迹变换(UT)对卡尔曼滤波进行改进,得到无迹卡尔曼滤波(UKF),该算法用Sigma点来描述系统的状态,不需要作线性化处理。通过理论分析和仿真实验,表明:与EKF相比,UKF具有实现简单通用性强、跟踪精度高、性能稳定的特点。它完全有可能取代EKF成为一种常用的非线性滤波算法。粒子滤波(PF)是目前最热门的一种机动目标跟踪算法,该算法对系统的非线性非高斯不做限制,与EKF和UKF相比,粒子滤波算法的应用更广泛。但是PF算法中粒子容易出现退化现象,重要性函数的选取对粒子的退化起着至关重要的作用。为克服这一现象,在此引入EKF和UKF算法对重要性函数进行改善,得到优于PF的扩展粒子滤波算法(EPF)和无迹粒子滤波算法(UPF)。通过仿真实验,结果表明EPF和UPF的性能比PF的要好,其中UPF算法的跟踪精度最高的,但是它的运行时间是长,因此实时性较差。最后,对多模型多传感器机动目标跟踪算法进行了研究。交互式多模型算法(IMM)是目前多模型算法的主流。本文结合IMM算法和UPF算法的优点,提出了一种融合算法——交互式多模型无迹粒子算法(IMM-UPF)。在模型集的建立上,根据所用的滤波器的特征,直接采用了三个非线性模型依据马尔可夫转移概率并行工作。通过大量的试验仿真,证明了算法的有效性,而且其性能比UPF的还要好。