利用目标的历史位置信息,对目标的轨迹进行预测有着广泛的应用,例如数字化战场、智能交通、物流监测、电子商务等等。在很多应用场景中预测目标轨迹对进一步决策可以起到关键作用。本文对快速移动目标的轨迹预测问题进行研究,使用改进的小脑模型神经网络提高了预测系统的速度和精度,解决了现有预测系统在获取的数据时间间隔不统一时预测精度低,接收数据有限时难以快速给出准确预测结果的问题。本文在充分研究了现有的线性目标轨迹预测方法和非线性目标轨迹预测方法的基础上,利用小脑模型神经网络的方法预测目标轨迹,主要研究内容如下:首先在总结各种非线性目标轨迹预测方法和线性目标轨迹预测方法的基础上,从网络的结构和原理两方面说明小脑模型神经网络在目标轨迹预测上的优势。其次结合实际应用场景,根据真实导弹飞行的情况,模拟导弹的运动轨迹。接着利用导弹的弹道模型提取小脑模型神经网络的训练数据与验证数据。结合应用实例分析小脑模型的缺陷:一方面局部收敛可能会降低网络的泛化能力,使网络的非线性逼近能力下降;另一方面,如果增加输入维度提高网络的精确度又可能使网络学习速度变慢;最后针对以上缺陷,在传统小脑模型神经网络网络结构上添加权值可变的递归单元,解决网络非线性逼近能力下降的问题;结合迁移学习思想,使用离线学习的方法训练网络,将离线训练的网络权值直接作为在线预测系统的初始权值,提高网络在预测不同目标时的收敛速度。网络利用模拟的目标轨迹进行训练,然后给出预测结果。在MATLAB平台仿真预测目标运动的轨迹,同时将预测结果通过各项数据指标与其他预测方法进行比较。实验结果表明改进的小脑模型神经网络结合迁移方法后在目标轨迹预测上有更好的性能。