伴随科技的迅猛发展,低空飞行目标数量日益增多,给公共安全和国防安全带来巨大威胁。因此加大对低空目标跟踪策略的研究至关重要且势在必行。低空机动目标如战机、导弹往往具有飞行高度较低、速度较快、高机动的特性,除此之外,由于地、海杂波,地物干扰等的存在,常常使众多传感器跟踪效果差,造成虚警高。因此本论文分别从交互多模型（Interacting Multiple Model,IMM）、数据关联以及滤波算法入手,以提高跟踪精度和实时性为目的,对低空机动目标跟踪算法进行研究。主要研究内容有:第一,针对现有IMM算法在低空杂波背景以及复杂机动情况下跟踪精度较低、易发散的问题,将IMM与概率数据关联算法（Probabilistic Data Association,PDA）相结合,基于集中式IMM-PDA的框架,提出了一种基于自适应扩大跟踪门的改进IMM-PDA低空机动目标跟踪算法。一方面,针对低空目标复杂的机动,提出基于当前统计模型的转移概率修正IMM算法。该算法首先利用IMM模型中相邻时间转移概率的差异对转移概率矩阵进行实时调整,解决了IMM模型转移概率矩阵固定造成的跟踪精度低的问题。接着将自适应当前统计模型纳入IMM模型集中以提高IMM的准确度与适应性。其次,设计了一种自适应扩大跟踪门,用调整门限常数的方法调整跟踪门的大小。仿真结果表明提出的算法能有效提高低空机动目标的跟踪估计精度,具有实用价值。第二,针对无迹粒子滤波中存在的粒子贫化、实时性低问题,提出了一种基于自适应无迹粒子滤波的机动目标跟踪算法。该算法首先利用最小斜度单形无迹变换降低应当选取的sigma点的数量,利用缩放变换克服局部效应。接着基于强跟踪理论,推导出了一种新的衰落因子,并将该因子引入到状态预测误差协方差矩阵和增益中,使算法能够进行机动检测,有效权衡预测值与量测值的贡献。此外,为解决粒子贫化问题,通过引入一个权重调整因子对粒子权重进行优化,以提升粒子多样性。在此基础上,融入Kullback-Lerbler距离采样自适应调整粒子规模,从降低粒子数量的角度提升算法的计算速度。通过仿真实验证明提出的算法具有较好的性能,达到了提升无迹粒子滤波跟踪精度与计算效率的目的。