在现代军事战争中,高超声速武器是极具发展前景的作战工具。美国等国正加紧对它的研制,我国对高超声速目标的研究尚处于起步阶段,对其进行防御是军事方面的关注重点。弹道估计是为了得到目标的位置、速度、加速度信息。在传统的高超声速目标弹道估计过程中,由于目标的运动方式无法判断,通常把对气动力的估计放入滤波器中,这就往往导致估计结果误差很大。本文提出一种基于运动行为识别的弹道估计方法,将机器学习方法和扩展卡尔曼滤波技术相结合来提高弹道估计的效果。主要研究内容如下:首先,建立高超声速目标的运动学模型。阐述运动过程中所用到的坐标系及其转换关系,推导目标的运动学模型,并对其进行简化。其次,分析目标的运动特性并给出运动行为的参数化模型描述。通过对纵、侧向运动特性的分析,得出典型的纵向运动行为包括准平衡滑翔和恒攻角跳跃;侧向运动行为包括无机动、摆动机动和转弯机动。对准平衡滑翔建立参数化模型,对摆动机动和转弯机动建立侧向气动力的参数化模型。再次,提出一种基于机器学习的目标运动行为识别方法。给出目标行为识别分类器训练数据的处理方法,设计纵、侧向运动行为识别分类器,分别基于Random Forest和Adaboost算法对纵、侧向运动行为分类识别,并通过分析分类结果得出适用于目标不同运动行为的识别方法。最后,提出一种基于运动行为识别的高超声速目标弹道估计方法。通过分类器辨识目标的运动行为得到气动力模型,进而结合EKF滤波器估计目标的位置和速度信息,实现对目标弹道的动态估计。仿真结果表明所提出弹道估计方法的可行性和有效性。