雷达目标跟踪是通过雷达对空间目标进行跟踪,然后实现对目标状态的准确估计,是现代军事跟踪系统进行数据融合、指挥决策、目标识别等任务的前提。但在战场环境中,由于电磁干扰、热噪声干扰等引起量测噪声不确定和目标机动所造成的系统状态不确定的影响,使得现有的自适应卡尔曼滤波算法难以解决模型不确定条件下的机动目标跟踪问题。因此,针对模型不确定条件下雷达目标跟踪问题开展研究,主要工作如下:（1）针对由于电磁干扰、设备故障等引起的重尾偏斜噪声条件下的目标跟踪问题,提出一种基于Skew-T的变分贝叶斯滤波算法。用Skew-T分布对重尾偏斜噪声进行描述,建立高斯分布、半正态分布和伽马分布的联合后验概率密度函数,采用变分推理对系统状态和噪声参数进行估计,仿真结果表明所提算法具有较好的滤波性能。对于非线性系统下的目标跟踪问题,提出基于变分推理的鲁棒容积卡尔曼滤波算法,其将SkewT分布的概率密度函数用近似形式代替,利用球面径向规则对函数进行数值积分求解,通过采样所得的容积点逼近系统状态和协方差,同时结合变分推理学习估计得到近似后验分布,并对系统状态进行更新,从而获得准确的目标状态。（2）针对目标模型参数不确定以及噪声不确定条件下目标状态的估计问题,提出一种广义交互式多模型自适应滤波算法。结合Skew-T分布量测噪声统计模型,利用逆威沙特分布对系统预测误差协方差进行描述,构建各个模型下系统联合概率密度函数,利用变分推理计算每个模型系统状态和噪声参数的近似后验分布,对多个模型状态按照权重进行融合,实现噪声信息和目标模型参数不确定条件下系统状态的准确估计,仿真结果表明所提算法具有良好的鲁棒性与较高的估计精度。（3）针对多模型自适应滤波算法未考虑实际应用中约束条件的影响,导致系统跟踪性能下降的问题,提出一种基于概率密度截断的交互式多模型自适应滤波算法。首先建立系统状态、预测误差协方差和噪声参数的联合后验概率密度函数,然后利用变分推理解决噪声时变以及噪声信息和状态相互耦合的问题。在得到更新后的滤波结果后,构建线性不等式约束方程,并根据约束边界进行截断,求取截断后概率密度函数的均值与方差。最后通过更新权重对各模型约束后的系统状态和协方差进行融合,完成对目标状态的估计,仿真结果表明所提算法提高了系统的状态估计精度。