目标跟踪技术可以获取目标的位置、速度、运动轨迹等,已被广泛应用于通用航空监测导航等诸多领域。对机动目标实施实时、有效地跟踪一直是学术界和应用领域的研究热点和难点。传统的机动目标跟踪方法中应用最广泛、性能较好的是多模型算法,多模型算法在量测噪声模型未知、气象环境影响、目标类型不确定、地形环境、障碍物阻挡等情况下,会出现量测噪声、量测模型、运动模型集、转移概率矩阵、模型概率等功能要素与真实值失配问题,从而降低了多模型算法的跟踪性能。研究知识辅助目标跟踪算法可以避免上述问题带来的麻烦和困扰,能有效地提高目标跟踪性能。但是仍存在着一些问题,例如,如何引入知识信息,如:目标类型、障碍物信息、量测精度范围等;知识信息是怎样影响多模型算法的量测模型等功能要素来提高跟踪性能的。为了解决这些问题,本文对机动目标跟踪中“多模型算法”和“筛选式知识辅助”的结合问题进行了研究,并提出多种筛选式知识辅助多模型机动目标跟踪算法。该研究丰富和发展了知识辅助多模型算法,主要的贡献和创新由以下四点体现。（1）研究筛选式知识辅助多模型算法的框架,得出正确利用知识辅助,能够提高多模型算法的性能。回顾了机动目标跟踪算法的基本原理和常用三代多模型算法的迭代过程、分类等。（2）研究知识辅助在运动模型集筛选中的应用。提出利用目标类型辅助调整运动模型集和障碍物信息辅助调整运动模型集两种算法。通用航空飞行器种类繁多、机动性能差异大,使得多模型算法中的运动模型集过大,从而导致跟踪性能下降。针对该问题,本文提出一种利用目标类型信息辅助的多模型（TCA-MM）算法。该算法利用获取的目标类型信息对运动模型集进行筛选,以减少错误模型和模型之间的竞争。实验结果表明,该算法能够提高跟踪精度,减小计算负荷。针对AGV在室内运动时受障碍物制约大,造成跟踪困难问题,本文提出一种模型集自适应的多模型（MSA-MM）算法。该算法将障碍物简化成多边形后,利用障碍物到目标预测位置的张角对运动模型集进行筛选,以提高多模型算法滤波跟踪精度,减少错误估计的数量。实验结果表明,该算法能够在具有较多障碍物的室内环境取得较好的跟踪效果。（3）研究知识辅助在量测模型筛选中的应用。通航飞行器跟踪中,ADS-B数据的量测噪声不确定,目标机动性强,难以跟踪。针对该问题,本文提出一种变分贝叶斯交互式多模型（VB-IMM）算法,该算法利用ADS-B数据中的量测精度等级信息辅助变分贝叶斯法对量测噪声方差进行估计,然后进行多模型滤波。实验结果表明,该算法能够有效对未知的量测噪声进行估计,取得较好的跟踪效果。采用超宽带传感器的AGV在使用Chan算法时,基站附近的跟踪存在模糊和不确定问题。针对该问题,本文提出一种采用目标运动信息和环境信息等知识辅助的多模型（KA-AGVMM）算法。该算法利用运动信息和环境信息制定了三条约束规则,对错误的跟踪结果进行排除。实验结果表明,该跟踪算法能够有效排除错误估计,提高了跟踪精度。（4）研究知识辅助在转移概率矩阵和模型概率筛选调整中的应用。针对通航飞行器在低空飞行时受障碍物制约,造成跟踪困难、错误估计多的问题,本文提出了利用障碍物信息模糊推理调整转移概率矩阵的多模型（OATPM-MM）算法、调整模型概率的多模型（OAMP-MM）算法和两者同时调整的多模型（OABoth-MM）算法。OAMP-MM算法利用障碍物区域到目标预测位置的距离和张角,通过模糊推理得到模型权重以调整模型概率,OATPM-MM算法采用模糊推理得到模型期望停留时间以调整转移概率矩阵,仿真实验和实测实验表明,与其他相关算法相比,所提算法可以提高模型判别正确率、提高跟踪精度、减少错误估计数量。本文所提出的一系列筛选式知识辅助多模型机动目标跟踪算法,在理论框架上进行了研究,并通过对应的仿真实验和实测实验验证了所提算法的有效性和优越性。从实际应用出发,解决了量测模型、运动模型集、转移概率矩阵、模型概率等与真实值失配的问题,从而提高了机动目标的跟踪性能。