在噪声环境中如何有效的提取有用信号一直是信号处理领域的前沿研究课题。采用最小均方误差准则的维纳滤波器和卡尔曼滤波器能有效的去除噪声,获取有用信号。维纳滤波器对噪声为多维或非平稳随机过程的情况显得无能为力,卡尔曼滤波器将状态空间的概念引入随机估计理论中,不但可以用于平稳随机过程,而且可用于复杂的多变量系统和非平稳随机过程,很好的解决了维纳滤波应用受限的问题。但是模型误差将会导致卡尔曼滤波性能下降甚至发散,而神经网络能较好的修正模型误差。因此,本文提出了一种基于新息的神经网络卡尔曼滤波算法,该算法既能对噪声统计特性进行自适应估计,又能较好的补偿模型误差带来的滤波估计误差。本文首先对神经网络系统辨识进行了相应研究,考虑噪声对辨识样本的影响,提出了离线辨识下的自适应神经网络辨识法,并对BP网络在线辨识性能进行仿真验证,结果表明神经网络系统辨识是一种简便可行的辨识建模方法。然后针对噪声统计特性对卡尔曼滤波性能的影响,推导了基于新息的自适应卡尔曼滤波算法,并对其在随机噪声下进行了验证,仿真显示在噪声特性改变时仍能保持较好的滤波性能,具有较强的自适应估计能力。最后在系统辨识基础上,考虑系统模型误差对滤波性能的影响,分别在离线辨识和在线辨识情况下,对基于新息的神经网络卡尔曼滤波算法性能进行了检验,仿真表明该算法能有效的补偿模型误差造成的滤波估计误差,提高了滤波性能和系统稳定性,并且在线辨识下的性能要优于离线辨识。文章最后比较了基于新息的神经网络卡尔曼滤波算法、交互式多模型算法和最小二乘算法对单目标跟踪的性能,很显然,基于新息的神经网络卡尔曼滤波算法性能最好,具有一定的实用性和普适性。