近年来,目标的定位与跟踪技术被广泛应用于军事领域、民用领域,主要功能包括定位导航,定位打卡,野外搜救,位置获取等。然而,科技的高速发展使人们对定位跟踪技术提出了高标准的要求。在实际应用中对目标进行定位跟踪时易受观测环境和设备的限制。对于目标状态模型呈现高度非线性状态使解算难度增大,这成为定位跟踪技术中重点攻克的一大难题。而时差信息定位跟踪具有容错度高、精度高以及测量环境受限小的特点。因此本文利用到达时间差信息(Time Difference Of Arrival,TDOA),针对固定目标定位和机动目标跟踪两种情况分别作出了改进,主要改进内容如下:其一,针对无运动轨迹即固定目标的定位过程中,解析算法和迭代算法在初值较差时易造成算法发散,以及产生模糊解的情况。提出一种改进自适应乌鸦搜索算法(Adaptive Crow Search Algorithm,ACSA),综合考虑随进化代数增加种群的整体变化,平衡算法迭代过程中的全局搜索能力与局部寻优能力,设计一种自适应感知概率模型,使算法在初期保留较多优良个体,保证种群多样性,避免局部最优,在后期快速收敛。理论和仿真结果表明,改进算法精度优于现有的经典TDOA定位算法及原算法,收敛速度也有显著提高。其二,针对机动目标的跟踪中,针对单一运动模型无法全面描述目标的实际状态跟踪效果较差的问题,提出利用交互多模型算法(Interacting Multiple Model,IMM)进行机动目标跟踪,通过仿真对比扩展卡尔曼滤波(Extended Kalman filter,EKF)、无迹卡尔曼滤波(Unscented Kalman Filter,UKF)以及粒子滤波算法(Particle Filter,PF)在非线性系统中的滤波性能,将UKF引入IMM中,解决非线性程度较高的模型中EKF误差较大,滤波效果不佳的情况,实验表明IMMUKF较单一运动模型跟踪误差小,具有较高费效比,跟踪性能可靠等优势。