目标跟踪是动态滤波应用领域一个经典的问题,其目的是通过一定的测量手段和跟踪算法,对感兴趣的目标进行有效的跟踪。如何建立可精确描述目标的动态模型,以及如何处理测量中可能存在的异常值,是目标跟踪系统可靠运行必须解决的两个关键问题,也就是目标跟踪系统的鲁棒性问题。本文针对目标跟踪系统算法的鲁棒性问题主要进行了两个方面的研究：一、探讨建立可精确描述目标的动态模型；二、处理测量异常值对系统的有害影响以提高目标跟踪的鲁棒性。本文完成的工作概括如下：首先,在单目标跟踪系统中,针对目标动态模型不准确的问题,提出了一种新的描述目标的动态模型一一基于多项式预测模型的鲁棒动态建模方法,并给出了相应的交互动态滤波算法。我们描述目标的动态模型,是利用由随机漫步模型、一阶和二阶多项式预测模型组成的一个模型集,其目的是希望借助交互多模型的思想,通过马尔科夫概率转移矩阵来赋予这个模型集中每个模型正确描述被跟踪动态目标的概率,并将这些正确描述动态目标的概率进行加权合成,以获得可更正确描述目标真实动态的全局模型,从而提高了跟踪算法对动态目标的自适应能力,增强了算法的鲁棒性。计算机仿真验证了该算法在机动目标跟踪中的有效性和实用性。其次,我们利用上面的建模思想,对线性调频信号的瞬时频率估计问题进行了建模,然后利用无迹卡尔曼滤波算法(Unscented Kalman Filter, UKF)对其进行滤波估计,为动态滤波方法应用于线性调频信号的瞬时频率跟踪开辟了一个新的应用领域,实现了对瞬时频率的实时跟踪。分析和仿真的结果都表明：提出的算法比现有的利用单个模型进行跟踪的算法在瞬时频率发生跳变时具有更好的鲁棒性。最后,针对多目标跟踪中,在目标动态模型准确的情况下,出现的测量异常值的问题,提出了一种鲁棒的延迟可变的PHD(Variable-lag Probability Hypothesis Density, VPHD)平滑算法。该算法利用前向的PHD滤波所获得的先验信息来调整后向平滑的间隔,克服了固定延迟PHD (Fixed-lag PHD, FPHD)平滑算法由于异常值造成的目标数目估计精度下降的问题。多目标场景的计算机仿真表明：提出的算法对于测量异常值具有很好的鲁棒性,可以同时提高目标状态和数目的估计精度。