随着科技的发展,机动目标的运动越发变得复杂,尤其在现代战场上,导弹、战斗机等高机动目标的技术发展使得对目标进行跟踪和拦截越发困难。当目标的噪声统计特性未知或建立模型不准确、目标在运动过程中某一方向速度发生突然增大或减小、目标在运动过程中机动发生变化时(如由CV模型到CT模型),单纯使用滤波算法将不再适用。目前用于解决该问题主有经典的Sage-Husa算法,以及在Sage-Husa算法基础上引入非线性滤波算法适用于非线性领域的自适应算法,强跟踪算法,基于UT变换的强跟踪算法以及交互式多模型算法,本文在此基础上研究如何进一步提高自适应滤波算法精度。首先,介绍了几种常用的目标运动模型,详细介绍了CV模型和VT模型,以及两个交互出现的情况,并对几种常用的非线性滤波算法进行了介绍,详细介绍了容积卡尔曼算法和平方根容积卡尔曼算法。其次,针对系统建模中噪声统计特性未知或随时间变化的问题,研究了经典的Sage-Husa算法,但该算法只能应用在线性领域,对此,研究了几种适用在非线性领域的自适应算法,自适应扩展卡尔曼算法,自适应无迹卡尔曼算法,但由于算法本身的缺陷,滤波精度低。将非线性领域自适应滤波思想与容积卡尔曼及平方根容积卡尔曼算法相结合,提出了自适应平方根容积卡尔曼算法,理论证明了该方法的合理性。再次,当目标在运动过程中,状态突然发生了改变,导致之前所建立的系统模型不再适用,针对该问题,研究了基于单重及多重渐消因子的强跟踪算法及基于UT变换的强跟踪算法,然后将强跟踪算法的思想与容积卡尔曼向结合,提出了基于多重次优渐消因子的强跟踪容积卡尔曼算法,并在此基础上加入平方根,进一步提出了基于多重次优渐消因子的强跟踪平方根容积卡尔曼算法,理论推导说明了方法的正确性。最后,目标在运动过程中存在多个模型时,单一的建模将不能满足精确跟踪的指标,为此研究交互式多模型算法,针对常用交互式多模型算法中滤波环节所选用的滤波算法精度受限的问题,选用了更高滤波精度的容积卡尔曼算法及平方根容积卡尔曼算法,并将两者结合,提出了基于平方根容积卡尔曼交互式多模型算法。