由于在军事和民用领域具有广阔的应用前景,目标跟踪问题的研究一直受到人们的广泛关注。最近几十年来,国内外众多专家学者对之进行了深入的研究,并取得了丰硕的成果。多机动目标跟踪问题是目前目标跟踪领域的一个重要研究方向,它是将传感器接收到的众多量测值按照它们的来源分类,给出各跟踪目标的运动轨迹,并分析运动轨迹的准确性和可靠性。本文主要对多机动目标跟踪中的两个关键技术,即数据关联与跟踪维持进行研究。首先研究了几种常用的机动目标跟踪算法:卡尔曼滤波算法、扩展卡尔曼滤波算法、“当前”统计模型算法和交互式多模型算法,并提出了一种“当前”模型的模糊改进算法,经过对几种自适应滤波算法的仿真比较,证明它们用于解决机动目标跟踪问题是有效可行的。其次对多目标航迹的起始和终结方法进行了研究,并重点研究了机动目标跟踪的几种数据关联的方法,包括最近邻数据关联,概率数据关联和联合概率数据关联,并提出了一种改进当前模型-概率数据关联算法,仿真证明其较传统的交互式多模型-概率数据关联(IMM-PDA)算法具有更高的精确度。接下来针对目前目标跟踪中模型普遍存在非线性的现象,研究了几种非线性滤波的方法,包括扩展卡尔曼滤波、无味卡尔曼滤波和粒子滤波,并进行了仿真实验和性能分析。最后设计了一种基于支持向量机的多目标数据关联算法,即把量测新息作为支持向量机的输入,通过支持向量机对各个传感器的测量数据进行分类,从而实现量测与航迹的关联。在跟踪维持阶段,采用交互多模型算法和无味卡尔曼滤波相结合的方法,以此来实现多机动目标的精确跟踪。论文对多机动目标跟踪的理论及方法进行了阐述,并对自适应滤波算法以及数据关联算法进行了研究。无味卡尔曼滤波和支持向量机被引入目标跟踪的研究,且取得了较好的效果。论文还提出了今后多目标跟踪的发展方向。