高超声速飞行器飞行速度快、机动性高,能够快速突破现有防空系统,其潜在威胁不可小觑,对此类飞行器的拦截技术研究迫在眉睫,对高超目标运动状态的实时精确估计是有效拦截的前提。鉴于此,本文研究高超声速目标运动状态估计问题。本文首先建立了高超声速飞行器滑翔段的动力学模型,对动力学方程进行简要分析,将高超声速飞行器滑翔运动按横纵向分解,纵向运动讨论了准平衡滑翔和跳跃滑翔两种滑翔方式的特点及实现条件,横向运动主要讨论了转弯机动方式,并通过数值仿真的方法分析不同转弯半径对飞行器滑翔能力的影响,为后续研究奠定基础。其次针对高超声速目标运动状态估计,建立了状态估计模型和测量模型,将高超声速目标运动状态估计问题转化为非线性滤波估计问题,并关注由于目标机动带来的系统噪声统计特性不确定问题。针对卡尔曼滤波器噪声矩阵的调整很大程度上依赖于大量的试验和相关领域知识的问题,本文使用可在线辨识系统噪声统计特性的变分贝叶斯自适应卡尔曼滤波算法对高超机动目标运动状态进行估计,通过与多次试验调整噪声矩阵的卡尔曼滤波算法对比仿真,得出本文所用的自适应卡尔曼滤波算法可以有效应对系统噪声统计特性未知的高超声速机动目标运动状态估计问题,实用性高。然后考虑到高超目标的策略性机动带来的模型不确定性会超出自适应滤波方法的处理能力,本文参考多模型滤波的思想,预先设定状态估计模型的系统噪声参数集并建立相应的滤波器,并基于循环神经网络设计滤波器信息融合网络对各滤波器输出信息进行融合。仿真结果表明,本文所用多滤波器联合估计算法可以实现对高超声速目标机动变化的快速响应,并且算法的估计结果平滑、精度高,利于预报。最后考虑到前面仿真所用轨迹数据仅由高超声速目标做简单机动动作生成,而实际上高超声速目标可根据战场情况做复杂的策略性机动,本文在几个典型的高超声速目标复杂机动场景下对所用方法进行评估验证,进一步证明了所用方法在应对高超声速目标的策略性机动上的可行性。