针对现有的联合目标跟踪与分类算法不具备封闭解析形式、计算量大且缺乏模块化结构等特点，将预知的各类目标的多种模型联合起来，组成一个多模型集合，并在运动学传感器和属性传感器观测过程相互独立的前提下，对目标状态概率密度函数和目标类别概率质量函数同时进行贝叶斯推理，得出一种基于多模型的联合目标跟踪与分类算法。该算法由卡尔曼联合多模型滤波器和贝叶斯分类器组成，实现了跟踪器与分类器的模块化，提高了跟踪和分类性能，具有封闭解析形式，计算量较小，适合工程实时应用。通过仿真，证实了该算法的有效性。

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。

为提高强机动目标的跟踪精度，提出一种基于角速度估计值自适应修正的变结构多模型算法。将角速度估计应用于基于有向图切换的变结构多模型目标跟踪算法。通过引入改进的角速度估计方法，提高了角速度的估计精度。在有向图切换的基础上，实时估计角速度，并根据角速度估计值修正有向图，增强了变结构多模型目标跟踪算法的机动适应性。仿真结果表明，该方法在对强机动目标的跟踪性能上有明显提高。

根据日益复杂的空战格局以及基于微分对策理论设计的空空导弹导引律所存在的缺陷与不足,提出了基于预见学习算法的微分对策导引律改进方案。首先讨论了微分对策导引律的缺陷,并针对其不足研究了基于最优控制理论的预见学习方法;其次设计了基于CMAC(小脑关节模型)的预见学习运算过程,将其应用于空空导弹预见逃逸目标的未来逃逸轨迹,并令导弹据此进行最优决策实现预见学习制导;最后根据逃逸目标飞行轨迹的恶意性突防程度,总结专家经验,将预见学习与微分对策相结合实现优势互补,形成了基于预见学习的微分对策导引律。其仿真结果较经典导引律有明显的优势,能以较小的控制量、较短的拦截时间获得很小的脱靶量,尤其适合拦截具有大机动恶意突防行为的目标。