随着隐身技术的不断发展、目标机动性能的不断增强以及现代电子战技术的广泛应用，传统跟踪系统面临的挑战日益严峻。本文以主被动目标跟踪为应用背景，开展了基于数字广播的被动目标跟踪、最小检测速度约束下的多站纯多普勒目标跟踪以及高超声速飞行器的自适应跟踪研究。前两部分研究主要是通过引入信息，如发射站布局信息、多普勒盲区信息来改善跟踪系统性能。第三部分研究则是通过在线辨识模型参数，基于估计辨识联合优化的思路提升跟踪系统的自适应性能。具体工作如下：　　1.基于数字广播的被动目标跟踪存在的一大挑战是单频网所导致的目标-回波-发射源三元数据关联问题。该数据关联求解是NP-hard问题，当目标数目、发射源数目以及杂波数较多时，计算复杂度会显著增加，而且大量的计算资源用于无效的关联关系处理，不利于实时跟踪。因此，本文在传统跟踪框架基础上，添加了关联假设预删减模块。通过利用发射站的布局信息对空间区域进行划分，给出了关联假设所需满足的必要性条件，从而确立了不可行关联假设的删减规则；同时，利用关联假设对应目标所属的区域信息，提供关联假设代价计算过程中所需的迭代初始值，从而提升收敛速度；最后从理论上分析比较了删减前后的数据关联复杂度。典型场景仿真测试表明：本文所提预处理机制可有效降低跟踪系统的计算复杂度。　　2.针对多站纯多普勒目标跟踪中存在的多普勒盲区问题，本文将多普勒盲区建模为非线性不等式约束，提出了一种基于盲区约束信息对目标状态估计进行修正的滤波算法。考虑到量测缺失的两种可能性，即发生漏检或者目标落入盲区，算法分别计算两种情形下的状态估计，然后进行加权融合。对于漏检情形，该算法直接利用现有量测进行滤波估计。而对于目标落入盲区情形，处理算法共分为两步，即粗略校正步(Coarse-step)以及精细化校正步(Fine-step)。在Coarse-step利用线性化的约束信息对基于现有量测得到的状态估计进行初步修正；接着，在Fine-step采用蒙特卡洛截断技术，实现状态估计的精细化校正。典型仿真对比表明：当目标处于多普勒盲区时，本文所提算法可以显著降低跟踪系统的峰值误差。　　3.临近空间高超声速飞行器在再入滑翔段具有高速、高机动的特点，这就要求相应的跟踪算法具有模型自适应和处理强非线性的能力。Jerk模型通过实时估计加速度的变化率，非常适合高速高机动目标的跟踪，但基于Jerk模型的跟踪算法存在机动频率调参的问题。为此，本文将其转化为模型参数未知下的状态估计问题，基于期望最大化，提出了一种联合状态估计与Jerk模型参数辨识的自适应滤波算法。该算法将目标状态作为隐变量，Jerk模型未知参数作为待辨识量，在期望步基于高斯和平滑器实现高精度的非线性状态估计，在最大化步基于遗传算法实现参数寻优。仿真结果表明，所提出的参数自适应算法对跟踪性能提升有很大帮助。