随着现代航运业的快速发展,水上交通形势日趋严峻,船舶安全航行问题日益突出,从而对船舶跟踪性能提出了更高的要求,特别是机动目标的稳定跟踪更为关键。为改善目标跟踪精确性,提高目标跟踪性能。本文利用了一种比较新型的AR(AUto-regression)模型,来展开对雷达目标跟踪算法的研究。首先,本文概括了目标跟踪的基本原理,分析了文中用到的跟踪模型。然后研究了传统的卡尔曼滤波(KF)算法和交互式多模型(IMM)跟踪算法,并设计了一个快转弯和慢转弯的模拟船舶运动场景,通过对基于卡尔曼滤波器的CV、CA单模型跟踪算法及IMM算法的仿真,验证了本章的理论分析。其次,提出了基于不同阶数AR模型切换的卡尔曼滤波算法(S-AR-KF)。首先引入了 AR模型,将AR模型应用于目标跟踪中,重点研究了 AR模型的构建过程和求解方法。研究表明一阶的AR模型可以表示匀速运动,二阶的AR模型可以表示匀加速运动。另外,AR模型系数向量可以通过多余的自由度来消去一部分噪声,是一个自适应状态模型。然后通过非机动场景,仿真分析得出最优的AR模型系数个数,并将一阶的AR-KF算法与传统的CV-KF算法对比,验证其优越性。最后在机动场景中,将S-AR-KF算法与传统的IMM算法的进行仿真对比分析,总结出所提算法的优势和局限性。最后,针对复杂多变的机动目标跟踪问题,本文研究分析了基于AR模型的IMM算法(AR-IMM)。并介绍了 AR-IMM算法步骤和模型的参数设置,然后在模拟船舶机动运动场景中对AR-IMM算法和传统的IMM算法进行了仿真分析,结果表明AR-IMM算法体现出了更好的跟踪性能。针对AR-IMM与IMM算法同样存在模型增多导致计算量增大、模型选择等一些问题,介绍了模型集切换的IMM算法(S-IMM)。基于此,本文提出了一种改进的基于AR模型集切换的交互式多模型算法(IS-AR-IMM)。在同样的船舶机动场景中,实验结果表明:IS-AR-IMM与AR-IMM算法相比,跟踪优势更为明显,验证了 IS-AR-IMM算法的可行性。