目标跟踪技术无论在国防建设还是在促进民生发展方面都取得令人瞩目的成绩,并具有继续探索的价值。所谓目标跟踪技术就是利用各型传感器获取指定目标的量测信息,通过目标运动模型和滤波器完成对目标运动状态(姿态角、速度、位置、加速度等)的预测。随着现代航天航空业的蓬勃发展,飞行器运动的复杂性变得越来越高,因此对雷达系统中的目标跟踪算法也提出更高的要求。超大规模集成电路的工艺水平和微电子技术的快速发展为目标跟踪技术的发展铺平了道路,因此对目标跟踪算法继续进行深入的理论研究具有深远的现实意义。本文基于雷达目标跟踪为背景开展单目标跟踪技术的研究,着重研究了目标跟踪中几种非线性滤波的适用条件和性能、IMM算法及其改进算法。首先,本文研究了 EKF、UKF及CKF算法的建模原理,提出非线性滤波中量测值不确定性问题,为提出基于小波变换的目标跟踪算法做铺垫,详细阐述各滤波算法中采用何种近似思想对非线性函数中的状态量进行估计,最终以边扫描边跟踪雷达系统为背景,利用Matlab仿真软件系统地分析与总结以上非线性滤波的性能特点和适用范围。针对非线性滤波中量测值含有不确定性噪声的问题,利用小波理论的多分辨能力和低通滤波特点,提出基于小波变换的交互式多模型算法即W-IMM算法。该算法对阈值函数进行了改进,解决了不确定性噪声对跟踪精度产生较大负面影响的问题,通过仿真实验证明其降噪效果良好,有效地提高交互式多模型算法的跟踪性能。其次,本文对性能优良的IMM算法进行改进。模糊逻辑理论、神经网络理论均具有独特的数据处理能力,这些理论运行时稳定且高效,逐渐被目标跟踪领域的学者所关注。模糊理论善于利用先验知识分析不确定问题,并将人类思维方式注入整个系统中。神经网络是一种具有较强自适应能力和容错性的网络系统,它对非线性函数具有较强的预测能力。本文对这些智能算法的功能和特点进行详尽的分析,针对W-IMM算法中小波降噪导致的不稳定性,以及马尔科夫矩阵无法自适应的缺陷,模型概率更新部分矩阵计算过于复杂,提出了一种基于小波模糊神经网络的IMM算法(WFNN-IMM)。该算法的核心是提出将神经网络和模糊逻辑系统进行融合,形成适合本跟踪系统的模糊神经网络,将此网络系统用于替代IMM算法中概率更新模块,从而减弱状态估计值的震荡现象,减少计算复杂矩阵的过程,提高运动模型的匹配概率,减小模型之间的竞争,提高算法鲁棒性。最后通过Matlab仿真证实:WFNN-IMM算法在降低计算复杂度的同时跟踪精度有明显的提高,自适应性和鲁棒性均得到明显的改善。