近年来,随着水声技术的发展,水下目标跟踪技术得到了越来越广泛的关注,其对充分利用我国海洋资源、维护我国海洋权益起着至关重要的作用。在战时监视,声纳探测,水下武器对抗,及海洋资源的开发等领域有着广泛的应用价值和重要的战略意义。本文针对水下目标跟踪的两大热点--粒子滤波算法和联合概率数据关联算法,展开了理论研究和仿真研究,重点从计算的实时性和跟踪的误差性提出改进措施。首先,本文阐述了基本滤波理论。给出常用系统模型,并研究了贝叶斯滤波估计理论和代表性算法:卡尔曼滤波算法和扩展卡尔曼滤波算法。由于水下目标及探测环境更加复杂多变,且卡尔曼滤波算法无法较好处理非线性、非高斯系统,因此接着深入研究了粒子滤波算法,并详细阐述了粒子滤波算法的原理和流程。然后,本文针对粒子滤波算法易出现的粒子退化现象,提出了基于密度函数的改进粒子滤波算法。通过估计状态误差和算法运行时间方面,分析五种滤波算法的性能,最终选择扩展卡尔曼滤波算法作为非线性状态下粒子滤波算法的密度函数进行指导采样,为了减小运算量,同时选择卡尔曼滤波算法作为线性状态下粒子滤波算法的密度函数,并给出了线性系统与非线性系统的判断依据。通过线性情况、非线性情况、综合情况以及对比分析,四组仿真实验和实测数据验证了改进后的算法在估计精度上有所提升,在算法运算时间上相对扩展卡尔曼粒子滤波算法有所降低,较好地满足了水下目标跟踪实时性的要求。最后,本文针对水下多目标跟踪易出现的航迹交叉合并的现象,提出了基于联合概率数据关联算法的改进方法。通过选取关联事件概率最大的可行事件,减少落在跟踪门公共区域的其它量测的影响,有效降低轨迹之间的合并问题。通过垂直运动目标、平行运动目标和交叉运动目标,三组仿真实验验证了改进后算法能有效防止轨迹的交叉合并,降低了跟踪误差。