目标跟踪是利用先验信息估计出目标的后验信息，其在自动控制、导航、跟踪、制导、人工智能、信息融合和故障检测等领域已经得到广泛应用。对于线性模型和高斯噪声下的目标状态估计，传统的方法能够给出较好的结果。然而，对于需要引入非线性、非高斯、多模型、多尺度和高维数的状态估计，其估计性能受限。粒子滤波是解决此类问题的有效途径。针对多传感器量测的机动目标跟踪问题，本文基于粒子滤波技术提出了一些新的算法并获得了较好的结果，主要贡献如下：1．针对交互式多模型粒子滤波在跟踪机动目标时精度受限问题，提出一种基于交互式多模型多传感器顺序粒子滤波算法(IMMSPF)。首先采用交互式多模型机制实现目标运动模式的确认；其次在合理利用单传感器和多传感器量测中冗余和互补信息的基础上，引入顺序重抽样方法改善粒子分布，并将改善后的粒子应用于交互式多模型粒子滤波算法中。仿真实验结果表明，新算法能够估计出强机动、非线性目标状态，且精度明显优于标准交互式多模型粒子滤波算法。2．针对基于多传感器交互式多模型粒子滤波跟踪机动目标实时性差的问题，提出多速率交互式多模型粒子滤波算法(MRIMMPF)。在多传感器提供量测信息的基础上，以交互式多模型粒子滤波为框架，采用多速率合理利用多传感器量测信息，降低了系统的计算复杂度。研究表明MRIMMPF算法有效利用多传感器量测信息，同时保证了跟踪系统的实时性。3．针对再入目标跟踪中弹道系数未知，跟踪精度有限的问题，将交互式多模型粒子滤波(IMMPF)应用于具有强非线性、多模型以及高维数的再入目标跟踪中。在未知弹道先验信息的情况下，建立相应的弹道系数模型集合，采用交互式多模型处理其不确定性。研究结果表明，在跟踪未知弹道系数的再入目标时，该算法对弹道系数估计的收敛速度和精度均优于交互式多模型不敏卡尔曼滤波算法。