目标跟踪在军事和民用领域具有广阔的应用前景，一直受到国内外众多专家的广泛关注，并取得了丰硕的研究成果。目标跟踪的一个核心部分就是滤波算法，对于线性系统，卡尔曼滤波算法是一种最优估计方法。但在实际应用中，即使不太复杂的系统，一般都是非线性系统，这时卡尔曼滤波算法就不适用了，因此，寻求高精度的非线性滤波算法是目标跟踪领域研究的一个热点问题。　　 本文在了解常用非线性滤波算法的基础上，主要做了以下两方面的研究。　　 1、为了提高无迹卡尔曼滤波算法的数值稳定性与跟踪精度，在平方根无迹卡尔曼滤波的基础上，对无迹卡尔曼滤波算法做了两种改进。一是将衰减因子与平方根无迹卡尔曼滤波滤波相结合，给出了带衰减因子的平方根无迹卡尔曼滤波改进算法，该算法适当增强了新观察资料的修正作用，降低老观察资料的地位，有利于滤波器的收敛。二是将平方根方法与迭代无迹卡尔曼滤波算法相结合，提出了平方根迭代无迹卡尔曼滤波算法，该算法法利用矩阵的平方根分解，降低滤波误差，在计算量增加较小的情况下，有效地提高了滤波精度。　　 2、为了克服粒子滤波算法的粒子退化现象，将遗传算法应用到粒子滤波算法中，给出了基于遗传算法的粒子滤波改进算法，该算法通过调整粒子数目，采用交叉、变异等遗传操作进行重采样，避免了传统重采样下粒子丢失问题，同时该算法对机动目标跟踪的状态跳跃问题也有较好的跟踪效果。