随着科技的发展,目标跟踪已经广泛应用到军事和民用领域,同时对目标跟踪应用背景及条件要求也日益提升。滤波算法作为目标跟踪的核心内容,一直是国内外专家学者研究的热点。非线性滤波算法在系统非线性时具有比适用于线性系统的卡尔曼滤波算法更好的跟踪效果,其中采样型非线性滤波算法一直是目标跟踪应用发展的重要部分。针对滤波算法中多传感器数据融合问题、算法性能优化等问题,本文基于采样型非线性滤波技术提出了一些新的算法并获得了较好的结果,主要贡献如下：针对高斯噪声背景下常规不敏卡尔曼滤波,提出了联邦不敏卡尔曼滤波目标跟踪算法,该方法通过引入联邦卡尔曼滤波的结构思想进行多传感器融合量测数据,降低噪声对量测的影响,从而提高算法的跟踪性能,适用到多个运动模型。为解决粒子滤波出现的粒子退化、粒子多样性缺失等问题,提出了基于混合蛙跳代价评估粒子滤波算法。通过将混合蛙跳思想引入粒子滤波中,利用混合蛙跳方法寻找最优粒子集,该方法机理避免了粒子退化问题。研究表明新算法有效利用混合蛙跳算法优势,同时提高算法滤波精度。为了解决粒子对于状态估计贡献程度大小的不同,进而造成的粒子退化现象,提出一种新的基于粒子集优化的集合卡尔曼滤波算法。首先通过引入重要性采样技术,实现对于当前时刻状态估计贡献程度合理评估。其次,结合重采样方法,利用增加高权重粒子和减少低权重粒子数目方式,在提升单个粒子对于状态逼近有效性的基础上实现粒子集的整体优化。