随着战场环境的日益复杂,传统的探测系统(如雷达、声纳等)受到越来越多的威胁,被动定位与跟踪技术以其隐蔽性强、探测距离远、适用性广等优点越来越受到人们的重视。本文就基于空频域信息的单站被动跟踪中的一些关键问题进行了研究,包括模型和可观测性、跟踪滤波算法、机动目标跟踪、跟踪误差理论下限等,并通过仿真和实测数据对算法进行了验证。模型和可观测性分析是被动定位与跟踪技术的基础,只有在系统满足可观测的条件下才能对目标的状态进行求解。对匀速直线运动目标的可观测分析已有较多的研究,但对机动目标的可观测分析在很大程度上仍是空白。有鉴于此,论文第二章对两类常规机动(匀加速和匀转弯)的可观测性进行了较为系统的分析,得出了一些有意义的结论,这也是机动目标跟踪的理论前提。被动目标跟踪的实质是非线性最优滤波问题,即通过非线性观测得到目标状态(包括位置、速度、加速度等)的估计,其关键是求解后验状态分布。基于后验状态分布的高斯解析近似前提,本文第三章首先总结了扩展卡尔曼滤波(EKF)框架下的跟踪算法并指出其可能存在的问题和缺陷。在此基础上,结合实际应用背景对UKF框架下的滤波算法进行了深入研究:1)鉴于被动跟踪系统可观测性弱、初始误差大的问题,提出了一种迭代型UKF算法(IUKF),能明显提高跟踪收敛速度和跟踪精度;2)针对被动目标跟踪模型的特点,提出了一种适合实时应用的简化UKF算法(SUKF),可在保证跟踪性能的条件下有效降低运算开销;3)考虑到转弯目标跟踪的实际特点,提出了一种能同时完成对参数(转弯率)和状态估计的联合估计UKF算法(JEUKF),可利用单个模型实现对转弯目标的有效跟踪。对目标后验状态分布近似的另一条途径是Monte Carlo仿真。近年来迅速发展起来的粒子滤波技术为求解非线性问题提供了通用的框架,它通过Monte Carlo仿真产生的带权粒子来对状态分布进行逼近。论文第四章首先对粒子滤波的基本原理进行了阐述,在此基础上深入研究了粒子滤波框架下的被动目标跟踪算法,主要工作包括三个方面:1)鉴于传统粒子滤波算法直接从先验进行采样导致的效率低下问题,提出了一种基于最优采样函数近似的改进粒子滤波(IPF)算法,使滤波器的跟踪性能得以明显提高;2)针对UPF算法在实际应用中出现的数值敏感和性能恶化问题,提出了一种修正的UPF(MUPF)算法,有效减轻了粒子贫化现象,降低了跟踪误差;3)结合被动跟踪系统的实际特点,对“边缘化”粒子滤波技术进行了研究,提高了跟踪算法的费效比。在初始误差大、可观测性弱的被动跟踪应用背景下,粒子滤波技术由于其粒子散布特性,在跟踪收敛速度和稳定性方面表现出独特的优势。在军事应用背景下,目标可能随时会出现各种机动运动。因此,研究机动目标的被动跟踪算法具有重要意义,本文第五章正是应此需求展开研究的。对机动目标的跟踪是通过自适应地改变模型或滤波参数来实现的,本章主要对模型匹配自适应、噪声方差自适应、神经网络自适应这三类算法进行了研究,在此基础上提出了带动态修正能力的神经网络跟踪算法以及神经网络与交互多模相结合的融合算法。与传统机动目标跟踪算法相比,文中提出的方法不存在检测时延,具有稳定性高、反应速度快等优点,因此在被动跟踪环境下具有更好的适应性。在非线性跟踪条件下,最优滤波算法通常很难建立,实际应用的都是各种次优算法。克拉美-罗下限(CRLB)是不依赖于算法本身而能达到的理论误差下限,它表明了各种次优算法的优劣程度以及和最优算法的接近程度。论文第六章旨在通过对跟踪误差下限的分析和研究,为算法的性能评估提供统一的理论框架。首先,对于匀速运动目标,将其跟踪误差分析转化为参数估计的CRLB求取来处理;其次,采用航迹分段策略,解决了机动目标跟踪的误差下限计算问题;最后,通过引入后验克拉美-罗限(PCRB)概念,对存在过程噪声条件下的近匀速运动目标跟踪误差进行了有效分析。论文最后对全文进行了总结,并对今后工作进行了展望。