非侵入式眼睛跟踪在许多基于视觉的人机交互应用中扮演十分重要的角色，但由于眼睛运动的强非线性，如何确保眼睛跟踪过程中对外界干扰的鲁棒性以及跟踪精确度是其应用的关键问题。为提高眼睛跟踪的鲁棒性和精确度，提出强跟踪五阶容积卡尔曼滤波算法(ST-5thCKF)，将强跟踪滤波(STF)次优渐消因子引入具有接近最少容积采样点且保持五阶滤波精确度的五阶容积卡尔曼滤波(5thCKF)，获取5thCKF对强非线性良好滤波精确度同时具备STF对外界干扰的鲁棒性。真实条件下的实验结果验证了所提算法在眼睛跟踪中的有效性。

针对传统非线性滤波算法对状态突变的鲁棒性较差，存在跟踪缓慢甚至失效的问题，提出了强跟踪七阶正交容积卡尔曼滤波(ST-7thCQKF)算法。算法将对非线性系统滤波效果良好的七阶正交容积卡尔曼滤波(7thCQKF)与强跟踪滤波(STF)融合，通过在7thCQKF的预测协方差中引入渐消因子调节增益矩阵，提高算法对状态突变系统的跟踪效果。仿真和实验结果表明，ST-7thCQKF能够较好地处理状态突变系统的跟踪问题。

联合概率数据关联(JPDA)算法在解决多目标跟踪时需要目标准确的动力学模型, 动力学模型失配在多机动目标跟踪中时常发生,而作为有效的解决方法之一——强跟踪滤波(STF)是针对无杂波环境下的单机动目标设计的。为了提高杂波环境下多机动目标跟踪精度, 提出一种联合概率数据关联强跟踪滤波(JPDA-STF)算法。该算法为了能够实现各个目标的渐消因子计算, 采用对与目标关联的量测进行加权融合的方式获取目标新息协方差, 其中, 量测权重的计算则是通过JPDA的方式获取。通过各目标渐消因子获取状态预测协方差, 随后在卡尔曼滤波框架下即可实现目标状态的更新。实验结果表明, 该算法相比于传统的JPDA算法能够更有效地降低跟踪误差。

针对Sage-Husa自适应卡尔曼滤波算法易引起发散且对初始条件的选取非常敏感的问题, 提出一种自适应强跟踪Sage-Husa滤波算法。该算法从Sage-Husa自适应卡尔曼滤波算法出发, 引入强跟踪技术, 通过渐消因子在线修正一步预测误差协方差矩阵, 使算法具有应对场景变化等不确定情况的能力, 增强算法的鲁棒性; 通过改进Sage-Husa自适应算法对噪声方差阵进行实时在线估计, 使算法具有应对噪声变化的自适应能力, 保证较好的跟踪精度。仿真结果表明, 所提出的滤波算法能够有效提高载波环路的跟踪精度和鲁棒性。

针对目标在线机动时,平方根容积卡尔曼滤波不具有良好的鲁棒性,不能够快速发生响应的问题,提出一种自适应容积卡尔曼滤波(CKF)算法,算法利用CKF的平方根形式进行迭代,即SCKF.将强跟踪滤波算法引入平方根容积卡尔曼滤波,引入渐消因子对滤波发散情况进行检测和抑制,有效克服了空间目标发生机动时标准滤波器无法快速准确对其进行跟踪的问题,提高了空间目标定位跟踪的数值稳定性.仿真表明:与标准SCKF相比,自适应SCKF有效地提高了机动目标被动定位跟踪的鲁棒性,具有较高的滤波精度和稳定性,同时具有良好的实时性,能更好地完成对空间机动目标的跟踪任务.

初始对准是实现惯性导航高精度的一项关键技术。无迹滤波(UKF)在SINS系统静基座大方位失准角初始对准中计算量大，在不精确或错误的噪声统计情况下，收敛速度变慢，估计精度下降，甚至滤波发散。针对这一问题，将超球体采样与强跟踪无迹滤波(STFUKF)算法相结合，提高了运算速度和对准精度。利用SINS的非线性误差模型，通过数字仿真将卡尔曼滤波、UKF和STFUKF的性能进行比较，证明该方法具有精度高、抗干扰性好、跟踪能力强的特点。

针对非定轨目标跟踪问题中过程噪声统计特性未知的特点，提出了一种实用的对过程噪声方差进行实时补偿的目标跟踪算法。该算法根据强跟踪滤波器的思想，通过实时检测新息序列来修正卡尔曼滤波算法中的状态预测误差协方差矩阵，进而对未知的过程噪声方差矩阵进行实时地补偿。由于存在新息检测机制，该算法能够有效地规避表征建模不确定性的过程噪声统计特性未知的问题，对于建模不确定性具有一定的适应能力。通过对一旋转靶标跟踪问题的仿真试验，证明了该方法的有效性。

为了提高激光多普勒测速仪的测量精度, 提出对激光多普勒信号先进行跟踪滤波, 再进行频谱细化和频谱校正的信号处理方法, 并利用信号处理系统对实测的多普勒信号进行了实验研究。实验结果表明：跟踪滤波器在滤除基底信号及系统的部分噪声的基础上, 实时跟踪多普勒信号的频率, 信噪比明显提高, 所得结果与多普勒频率的真实值相一致; 频谱细化技术大大提高了频谱分辨力, 频谱校正技术使校正后的频率更接近真实值。

针对密集杂波环境下传统概率数据关联算法对突发机动目标跟踪性能下降问题,提出了一种基于采用渐消因子的改进“当前”统计模型的自适应概率数据关联算法。该算法改进了传统的“当前”统计模型中加速度方差的计算方式,并在滤波算法中采用了渐消因子,克服了传统卡尔曼滤波的3大缺陷,通过改变预测协方差来修正滤波增益,在保持跟踪精度的前提下,能自适应调整滤波器带宽,增强了系统对突发机动的跟踪能力。理论分析和仿真结果表明,该算法比采用强跟踪滤波器的概率数据关联算法更有效。

针对加速度表存在受过载影响的误差项和累计误差,提出多点分层式差动激光多普勒自身测速仪(LDV),为车载导航系统提供自身的速度参数。阐述了激光多普勒测量自身速度的基本原理,设计了多点分层差动LDV,并运用跟踪滤波和数字自相关技术对多普勒信号进行处理。理论分析和实验结果表明,多点分层差动LDV解决了双光束不能进行离焦测量的难题;跟踪滤波器实时跟踪多普勒信号,去除基底信号并抑制通带外噪声,数字自相关技术去除残留噪声,提高了信噪比和系统的灵敏度。与全球定位系统(GPS)的测量结果比较,系统的相对测量精度约为2％。