针对远距离压制干扰下机动目标跟踪问题, 分析了远距离大功率压制干扰对于雷达探测及测量精度的影响, 引入新的量测模型模拟雷达在压制干扰下由于探测概率下降出现的目标暂消现象, 并利用去相关无偏量测转换方法将球坐标下的量测转换到直角坐标系下。在此基础上, 基于自适应联邦滤波的思想建立了雷达压制干扰下的机动目标跟踪算法。仿真结果表明, 在远距离压制干扰下, 所提方法可以保持对目标在多种机动情况下的稳定、准确跟踪, 与现有方法相比具有明显的优势。

低信噪比环境下, 原始数据未知门限的机动目标跟踪是一个比较棘手的问题。提出了一种交互式多模型伯努利(IMM-Bernoulli）检测前跟踪(TBD）算法, 该算法结合交互式多模型算法对滤波器中每个目标状态的采样粒子进行预测, 利用伯努利滤波对目标粒子进行递归, 粒子更新阶段结合TBD算法进行,最终实现目标存在概率及分布密度的更新估计。算法对粒子预测时采用多个模型参与转移预测, 使得预测粒子更加接近目标真实运动状态, 兼备了伯努利TBD算法和交互式多模算法的特点, 可用于处理低信噪比环境下机动弱目标检测跟踪问题, 且对目标状态的估计更加精准。仿真实验表明, 该滤波器能够实时地估计出目标位置, 比传统的伯努利TBD算法具有更好的滤波性能。

针对非线性条件下机动目标跟踪问题，在此提出了一种增广交互式多模型容积卡尔曼滤波(AIMMCKF)算法。该算法将交互式多模型容积卡尔曼滤波(IMMCKF)应用到一个非线性状态增广系统，以得固定延迟平滑状态估计。同时，采用增广转换操作处理所用模型集中的不同模型可能属于不同状态空间的问题，保证算法能够正常进行。仿真结果表明，与传统非线性跟踪算法相比，所提算法在机动目标跟踪方面有更高的精度与更强的适应性。

针对机动目标跟踪过程中量测噪声统计特性不确定的问题，提出了一种模糊自适应容积卡尔曼滤波（FACKF）算法。通过在线判断实际残差与理论残差的一致程度，利用模糊推理系统实时调整容积卡尔曼滤波的量测噪声协方差阵权值，从而修正量测噪声协方差阵，使其逐步接近真实噪声值，进而提高目标跟踪算法的自适应能力。使用角测量跟踪模型及主动雷达跟踪模型对算法效果进行仿真验证，实验结果表明，在观测噪声异常的情况下，FACKF算法比传统容积卡尔曼滤波和无迹卡尔曼滤波有更高的滤波精度与稳定性。

针对传统的交互式多模型(IMM)算法通常采用相同维数的模型进行滤波,存在较大的模型误差以及当前统计模型(CS)中的参数需要合理设定的问题,提出一种变维自适应交互式多模型(AIMM)跟踪算法.该算法首先利用维数变换,将不同维数的模型转换为统一的维数进行交互滤波,使之适用于一般的机动目标,减少模型跟踪误差;然后通过引入由残差信息定义的调整因子对CS模型中的参数自适应调整,提高模型与实际运动模式的匹配程度;最后将参数调整后的CS模型反馈到变维IMM算法中,来改善跟踪性能.仿真实验表明,与传统变维IMM算法相比,文中所提算法在有效跟踪机动目标的同时,提高了目标的跟踪精度.

针对机动目标跟踪, 提出一种基于交互式多模型的改进去偏转换测量卡尔曼滤波算法(IMM-MDCMKF), 该算法在多模型中使用了改进的去偏转换测量卡尔曼滤波算法(MDCMKF)。MDCMKF算法先通过引入状态估计值对转换误差协方差进行修正, 有效地降低了测量噪声对此协方差的影响, 然后将修正的转换误差协方差用于目标跟踪问题中的去偏转换测量卡尔曼滤波算法。最后进行的Monte Carlo仿真结果表明, 所提算法跟踪精度优于IMM-EKF算法和IMM-DCMKF算法。

针对远距离杂波环境下弹载雷达NED坐标系跟踪机动目标精度差的问题，提出一种ECEF(地心坐标系)下基于无偏UCUT-IMM的机动目标跟踪算法。该方法首先利用无偏转换把弹载雷达极坐标量测值转换到NED坐标系下的量测值，然后通过坐标旋转得到ECEF坐标系下的量测值，在ECEF坐标系下跟踪滤波，避免了远距离NED坐标系下跟踪滤波受地球曲率的影响，同时为了减少坐标非线性转换旋转所带来的误差，利用UT(不敏变换)计算出地心坐标系下的量测协方差，在此基础上采用IMM(交互多模型)算法来进一步提高目标机动时的跟踪精度。仿真结果表明，与NED坐标系下的跟踪滤波相比，该算法具有更好的跟踪精度。

目标跟踪系统的数学模型或统计特性的不确定性，往往会导致机动目标跟踪精度降低甚至跟踪发散。在综合平方根求容积卡尔曼滤波算法和改进的SageHusa估计器的基础上，提出一种自适应求容积平方根卡尔曼滤波算法。该算法通过实时估计未知系统噪声，抑制由于噪声统计特性未知时变而导致的滤波误差，从而实现机动目标的自适应跟踪。仿真结果表明，在系统噪声未知时变，且与先验系统噪声存在一定差异时，自适应平方根求容积卡尔曼滤波器能有效地改进标准平方根求容积卡尔曼滤波器的跟踪精度和跟踪稳定性。

交互多模型(IMM)与去偏转换量测卡尔曼滤波(DCMKF)相结合的去偏转换量测IMM(DCM-IMM)算法是一种常用的机动目标跟踪算法。但该算法运算复杂, 计算量大, 用软件方法实现难以满足实际工程应用中实时性高的要求。首先, 本设计将DCM-IMM算法拆解为标量运算; 然后, 采用块的设计思想, 利用现场可编程门阵列(FPGA)的并行流水线机制, 对模块内部的运算单元进行分时复用和优化, 实现了浮点DCM-IMM算法的硬件设计, 解决了采用传统的软件方法实现过程中存在实时性难以满足的问题; 最后, 通过Matlab和Quartus Ⅱ仿真, 验证了本设计的优越性。

为了解决三维空间内的机动目标跟踪问题，提出一种基于常速模型和带约束常速率协同转弯模型(CSCT模型)的交互式多模型算法；同时为了解决目标的机动不确定性问题，针对CSCT模型提出一种类似卡尔曼滤波的方法实时精确地估计目标转弯角速度。综合考虑目标角速度的估计值和估计方差，提高目标跟踪的收敛速度，尽可能地减小滤波角速度与机动目标真实角速度之间的误差，最终明显提高了目标跟踪精度。Monte-Carlo 200次仿真结果表明了该算法在性能上有明显提升，对三维机动目标跟踪效果显著，并证实了该方法的实用性。