水声信道状态信息的获取是水声通信的基础。由于水声信道具有动态时变的特性,单纯的信道估计技术不能满足水声通信的需求。水声信道跟踪是能动态跟踪信道状态信息的一种技术。研究水声信道跟踪对水声通信性能的提升具有重要意义。现有研究表明许多水声信道中的多路径是具有一定互相关特性的。充分利用该特性可以有助于水声信道跟踪性能的提升。根据该特性,可以将高维度的信道分解成具有低维度的信道主成分和信道子空间来进行跟踪,在提升跟踪性能的同时降低计算复杂度。针对信道子空间,我们提出了基于正交子空间跟踪方法的信道重构跟踪方法。现有的信道重构跟踪算法使用的子空间跟踪算法获得信道子空间不具有正交性,这将导致信道主成分提取不准确,进而导致信道的跟踪性能下降。我们改进子空间跟踪方法,使之在跟踪过程中保持信道子空间正交性,并实现对信道主成分的跟踪,之后重构信道状态,进而实现跟踪信道。海试数据有效证明了上述提出的基于正交子空间跟踪方法的信道重构跟踪方法无论是在平静海况还是恶劣海况下,信道跟踪性能都有所改善。针对信道主成分,我们提出了基于训练的自适应信道跟踪方法和基于双向卡尔曼信道跟踪方法。这两种方法都首先将信道主成分建模为自回归(Autoregressive,AR)过程,之后在此模型基础上,使用卡尔曼滤波算法实现信道主成分的跟踪。但是,这种模型在水下失配是不可避免的。而且在模型使用过程中所涉及的待定参数较多,信道状态随水体波动不断变化,这些都会造成模型的失配。因此我们提出的基于训练的自适应信道跟踪算法,通过使用自适应卡尔曼滤波器自适应的校正预测误差。并通过训练数据获得跟踪器的参数。进一步,我们还提出了基于双向卡尔曼信道跟踪算法,通过使用前向和后向时刻的测量值来改善信道主成分的跟踪,从另一个角度弥补模型失配带来的跟踪性能损失。通过海洋数据验证,我们提出的上述两种信道跟踪方法较传统方法有较低的信号预测误差,跟踪性能大幅提升。实验证明,上述针对信道子空间的方法较实用于在水下传输环境相对平静情况。第二类针对信道主成分方法较实用于水声传输环境相对恶劣情况。