机动目标跟踪技术就是基于雷达、声呐等各类传感器对目标的观测,得到关于机动目标的一些原始数据信息,通过建立合理的运动模型,以及融合各种滤波方法对目标的运动状态进行估计和预测的技术。该项技术是现代雷达导航系统中的重要组成部分,在军事和民事领域中发挥着极其重要的作用。随着现代科学技术的快速发展,人们对导航系统的精度和可靠性要求越来越高,这给机动目标跟踪技术的理论研究和实际应用提出了更高的要求。基于此,本文围绕跟踪机动目标的多模型滤波算法进行了深入的研究,具体展开的工作内容如下:（1）针对多运动模式的机动目标建立了交互式多模型（IMM）算法模型,解决单一模型对机动目标进行跟踪时容易产生跟踪精度差和目标丢失的问题。同时探究了模型概率转移矩阵对IMM跟踪性能的影响,提出一种自适应转移概率矩阵交互式多模型（ATPM-IMM）算法,该算法通过检测模型概率的变化来修正模型,并通过仿真验证了该算法的有效性。（2）针对IMM算法对目标跟踪时不能自适应改变模型集的缺陷,提出了用于目标状态不频繁发生切换且实时性要求较高场景下的模型集自适应切换交互式多模型（AMS-IMM）算法,以及用于目标状态频繁发生转换且数据运算量较少场景下的模型集协同自适应切换交互式多模型（AMCS-IMM）算法。着重阐述了两种算法设定机动状态和非机动状态模型集的方式,以及模型集之间的转换规则,并给出了这两种算法的设计流程。最后,通过实验验证了两种优化算法相对于固定模型集算法的优势,并对其特点做出归纳与总结。（3）针对IMM算法中扩展卡尔曼滤波器存在线性化误差的弊端,利用遗传算法（GA）优化后的误差反向传播（BP）算法与IMM算法进行融合,提出了GA-BP-IMM算法。详细的讲述了BP神经网络算法的作用原理,并对其容易陷入局部极小值的缺陷利用遗传算法进行优化,将其应用到交互式多模型的误差补偿中,最后通过实验证明了该算法的正确性与可行性。