约束跟踪在对地监视以及智能交通系统中发挥着重要作用。目标运动受制于外界环境（如公路、航道等）施加的各种约束,对约束信息的有效提取、表示和利用,可显著提升目标跟踪性能。现有约束跟踪研究主要集中于已知的简单等式约束跟踪问题,然而在实际应用中,如公路目标跟踪中,约束轨迹形状极不规则,且存在约束信息未知或仅部分信息确知的情况,此时,现有理论和方法不能适用。针对公路目标跟踪等约束跟踪问题,本文开展了复杂空间约束条件建模及跟踪方法研究,解决复杂空间约束信息部分确知或完全未知情况下,如何利用空间约束改善跟踪性能的问题,主要工作与贡献如下:1.针对公路信息已知但车道未知情况下应用空间等式约束跟踪方法会引起状态估计偏差的问题,提出航向约束建模及状态估计方法,即仅利用目标运动满足公路限定的航向运动这一现象构建约束信息以改进目标跟踪性能。基于参数增广法和状态增广法,对描述公路信息的基本单元,直线段和圆弧段,分别构建航向约束,并提出基于几何扇区的段间识别切换方法,然后将航向约束视为完美量测增广至观测向量,最终基于扩展卡尔曼滤波器实现航向约束状态估计。推导了航向约束状态估计的后验克拉美罗下界。针对公路机动目标,提出了航向约束交互式多模型跟踪方法。仿真试验证明,所提航向约束跟踪方法能够充分利用航向约束信息提高目标跟踪性能,相比于无约束算法,所提方法的均方根位置和速度估计误差可分别降低约51%和72%。2.针对公路形状规则且信息未知情况下应用常规跟踪方法无法利用目标运动受公路约束这一重要信息的问题,提出轨迹形状与动态特性分离建模的跟踪方法,即在笛卡尔坐标建立轨迹形状的静态模型,而目标动态模型在英里数坐标定义,动态模型不影响轨迹形状,然后利用观测同时估计轨迹形状和目标状态。基于线性滑窗逼近方法,利用空间一次多项式描述目标轨迹,并将其参数增广至状态向量完成估计。提出基于最小二乘准则的起始参数重置方法,推导重置参数向量与基状态向量之间的互协方差,实现了静态模型参数的递推估计。仿真试验证明,所提方法避免了常规跟踪方法在应对复杂空间约束目标跟踪问题时存在的模型失配以及信息浪费问题,提高了跟踪精度,在位置估计和速度估计误差方面可分别降低约37%和21%以上。与常规跟踪方法相比,所提方法对机动目标位置估计有更好的鲁棒性。3.针对公路形状复杂且信息未知情况下应用线性滑窗法存在的静态模型失配问题,提出基于非线性滑窗的分离建模与跟踪方法,即利用高阶多项式或B样条描述目标轨迹,目标动态模型在英里数坐标定义,利用观测对轨迹形状和目标状态同时估计。通过反斜杠运算推导初始参数向量与笛卡尔位置之间的函数关系,利用无迹变换方法确定增广状态的初始条件,基于最小二乘和英里数坐标交互式多模型完成公路行驶机动目标轨迹形状和运动状态的同时估计。通过在静态模型参数方程中引入过程噪声,以提升二次多项式分离建模跟踪算法对不规则轨迹曲线的适应性和鲁棒性。仿真试验证明,所提方法估计精度高于常规跟踪方法,在位置估计和速度估计误差方面可分别降低约65%和60%以上,对机动目标具有更稳定的跟踪性能;改进的二次多项式分离建模跟踪方法可以以较低的计算负荷获得与三次多项式方法相当的估计精度。