随着电子技术的飞速发展,目标跟踪技术与数据融合技术在很多领域得到了广泛的应用。目标跟踪是雷达数据处理中的一个重要组成部分,其核心是滤波算法,因此,滤波算法的研究对于稳定跟踪有重要意义。数据融合的本质是通过融合算法整合来自多个传感器的信息,扩展系统的时空覆盖率,提高系统的精度、可靠性以及信息利用率。本文针对目标跟踪算法和数据融合算法展开研究。其中,数据融合为目标状态估计级的数据融合,与目标跟踪算法息息相关。首先研究了基本的线性目标跟踪算法卡尔曼滤波(Kalman Filtering, KF)o然后针对观测方程或状态方程建立在非线性数学模型的情况,研究了非线性卡尔曼滤波(Extended Kalman Filtering, EKF)以及不敏卡尔曼滤波(Unscented Kalman Filtering, UKF)o通过仿真对EKF及UKF两个非线性算法进行对比分析,验证了UKF在非线性较强环境下有较好的跟踪精度,而EKF在非线性不强的情况下跟踪效果与UKF相当。其次,对目标跟踪中涉及的数据关联方法展开研究,其中包括概率数据关联(Possibility Data Association, PDA)算法、联合概率数据关联(Joint Possibility Data Association, JPDA)算法与模糊C-均值(Fuzzy C-Means, FCM)聚类关联算法。其中,PDA算法主要应用于单目标跟踪,而JPDA算法及FCM算法主要应用于多目标跟踪。本文通过仿真验证了PDA算法在杂波环境下对单目标数据关联的有效性；并对JPDA与FCM在目标交叉运动场景下的关联性能进行了对比,验证了FCM算法的收敛速度优于JPDA算法,丢失率也相对较少,并且其运行时间更短。最后,根据融合系统的结构分别对集中式和分布式融合算法进行研究。对于集中式融合算法,研究了复合量测融合、序贯滤波融合和扩维滤波融合三种算法,通过仿真验证了三种算法的有效性,并由结果分析得到：序贯滤波融合在数据不同步且传感器较少的情况下融合效果最佳,但其耗时最长；复合量测融合在传感器较多且实时性要求较高情况下融合效果最佳。分布式融合算法研究了加权协方差融合、自适应航迹融合和信息矩阵融合三种算法,通过仿真验证了三种算法的有效性,并由结果分析得到：加权协方差融合与信息矩阵融合性能相当,均优于自适应航迹融合；而自适应航迹融合的优势是耗时最少。