传统被动相干定位系统(PCLS)利用固定的观测站和外辐射源(IO)实现对目标的跟踪，而这种体制无法应用于真实的海战场环境。针对这种不足，提出了一种基于多个机动观测站和单一机动IO的PCLS目标跟踪模型。针对仅利用到达时间(TOA)的PCLS目标状态估计精度不足的问题，该模型以TOA和多普勒频率的联合测量信息为目标观测量，以信号到达角(AOA)为IO观测量，实现对目标和IO的同时跟踪。仿真结果证明了模型的有效性。

首先针对无源传感器目标跟踪中的非线性问题，将高斯-厄米特求积分规则运用于高斯混合概率假设密度滤波，提出一种求积分卡尔曼概率假设密度滤波。其次，针对未知时变过程噪声，将基于极大后验估计原理的噪声估计器运用到概率假设密度滤波中，同时依据目标状态一步预测与状态滤波结果之间的残差，提出一种对滤波发散情况判断和抑制的算法。最后通过无源传感器双站跟踪仿真表明：相较于已有的非线性高斯混合概率假设密度滤波，所提算法有更高的精度，并且在未知时变噪声环境中具有较好跟踪效果。

针对单站无源跟踪系统非线性较强、传统跟踪滤波方法收敛速度慢且容易发散的问题, 提出了一种基于自适应因子化 H∞滤波的单站无源跟踪算法。该算法利用 sigma点转换和鲁棒 H∞滤波能够减小观测方程的线性化误差和降低观测误差不确定性的特点, 通过新息控制减小野值对滤波的干扰, 利用比例因子和渐消因子自适应调整采样点到中心点的距离和状态预报误差的协方差, 从而克服基于 UT变换的 H∞滤波采样时的非局部效应问题, 增强了单站无源跟踪系统对噪声的鲁棒性。仿真实验结果表明, 本文方法通过对 UT变换进行简化, 在自适应因子化的同时, 算法的计算量与基于 UT变换的 H∞滤波基本持平, 且跟踪精度优于基于 UT变换的 H∞滤波算法。该算法在保持高精度估计能力的同时, 具有较强的鲁棒性, 是解决非线性系统状态估计问题的一种有效方法。

针对单机对目标被动定位跟踪不具有完全可观测性，建立了双机协同探测定位跟踪模型，利用双机探测到的目标方位角和俯仰角，结合非线性滤波算法估计出目标的位置和速度参数。为解决传统的非线性滤波误差比较大、容易发散的问题，引入无迹卡尔曼滤波(UKF)算法。仿真实验表明，与扩展卡尔曼滤波相比较，UKF能更好地解决量测方程的非线性问题，滤波效果更好。

建立了目标的多站IRST(红外搜索与跟踪)系统的伪线性观测模型,基于该模型提出了匀速运动目标的伪线性卡尔曼滤波算法.算法利用伪线性方程组获得滤波器的初值,从而提高了滤波器的跟踪精度和速度.分别采用伪线性卡尔曼滤波器与推广卡尔曼滤波器对目标进行跟踪的仿真结果表明:当探测器数目为3、4时,在跟踪初始阶段,伪线性卡尔曼滤波器在跟踪的速度和精度方面均优于推广卡尔曼滤波器,在稳定阶段,两者的性能基本相仿.当探测器数目为6时,则不论是在跟踪的初始阶段,还是在稳定阶段,伪线性卡尔曼滤波器与推广卡尔曼滤波器的性能基本相同.