随着空中飞行目标越来越密集,民航监视系统对雷达信息处理的要求越来越高。目前民航雷达信息处理系统使用退化卡尔曼滤波算法,退化卡尔曼滤波算法的增益为固定值,不同航管区域需要经过大量试飞实验计算各自的增益值。同时系统在每一时刻按照雷达优先级,只接收级别最高的数据,其余雷达的观测数据没有得到充分利用。为了在滤波上改进固定增益卡尔曼滤波算法在使用上的局限性,在融合上充分利用各部雷达的观测数据。本文首先通过设计飞行目标飞行的状态方程,实现动态增益的卡尔曼滤波算法。实验结果表明,该算法摆脱了目前使用的卡尔曼滤波算法中不同空管区域对固定增益的依赖,能够直接运用于各个区域,并且不影响滤波处理的实时性。其次,选取三层BP神经网络模型,通过训练神经网络,以拟合多雷达观测数据与飞行目标校飞点迹间的关系,之后将多雷达的观测数据输入到训练后的神经网络模型,融合得到飞行目标点迹的预测结果,实现了对同一时刻多雷达观测数据的融合。经实验证实,该方法能融合出与飞行目标校飞点迹一致的结果,在充分利用了雷达系统中各雷达的观测数据的同时提高了观测的准确性。在算法的基础上本文为航空雷达信息融合系统设计了三个模块,分别是数据预处理模块、单雷达滤波模块和多雷达数据融合模块。数据预处理模块用于实现雷达报文的解析、多雷达数据的时空对准;单雷达滤波模块实现了动态增益卡尔曼滤波算法,降低了噪声对雷达观测数据的影响;多雷达数据融合模块实现了基于BP神经网络的多雷达信息融合。此外,为了验证滤波和融合算法的效果,本文在整个系统之外设计了评估模块。最后本文借助SpringMVC框架实现了航空雷达信息融合系统。