近年来随着科技的迅速发展,弹道导弹和各类飞行器除了常规机动以外,还能在不同的运动模型之间瞬时切换,运动状态变得更加不确定和多变。相应的,作为指挥层的各类侦察、预警和拦截打击系统也对跟踪系统提出了更高的要求,需要现代目标跟踪技术能够更快、更准确地跟踪预测机动目标运动状态。面对敌先进的飞行技术,本文以高斯滤波算法为基础,研究了非合作式机动目标跟踪问题中三个方面的关键性技术:线性模型下的机动目标跟踪、非线性模型下的机动目标跟踪以及杂波环境下的机动目标跟踪。主要研究工作和贡献如下:(1)卡尔曼滤波跟踪算法及其不稳定现象。在现有文献研究基础之上,总结和推导了配置及不配置过程噪声的两种情况的运动方程和量测方程。研究分析了卡尔曼滤波过程噪声与滤波不一致的现象,就是否配置过程噪声及配置不同功率的过程噪声对卡尔曼滤波算法性能影响的程度进行了仿真分析。最后阐述卡尔曼滤波性能与过程噪声配置、估计克拉美罗下界(Cramer-rao low bound,CRLB)与滤波一致性之间的矛盾性。(2)线性模型下的机动目标跟踪。研究了高斯-艾肯特滤波的线性滤波模型,确定了高斯-艾肯特滤波的滤波模型和滤波内存长度,定义了滤波加权残差平方和,推导了机动目标跟踪中的高斯-艾肯特滤波算法。基于滤波加权残差平方和的?~2检验判断滤波配置是否匹配机动目标的真实运动模型,提出了高斯滤波的控制算法,并给出了算法的详细步骤及算法流程图。对高斯-艾肯特滤波算法及三种改进交互式多模型(interacting multiple model,IMM)卡尔曼滤波算法进行了仿真比较,分析了控制算法对高斯-艾肯特滤波控制的过程。(3)非线性模型下的机动目标跟踪。引入了扰动向量和标称状态,研究了高斯-牛顿滤波算法的非线性跟踪模型,采用牛顿局部线性化的方法将机动目标的非线性跟踪问题转化为扰动向量的近似线性滤波问题。推导了最小方差法在非线性系统下的实现,推导了机动目标跟踪的高斯-牛顿滤波算法。在典型机动目标运动场景对高斯-牛顿滤波算法和IMM-PF算法进行了仿真比较,分析了高斯牛顿滤波算法在非线性机动目标跟踪问题中的跟踪性能。(4)杂波环境下的机动目标跟踪。在现有文献的研究基础之上,对概率最强邻算法对量测选择的有效性进行了分析。并充分利用高斯滤波对机动目标跟踪的优势,结合基于功率特征的概率最强邻算法,提出了基于高斯滤波的PSNF算法。在不同强度杂波环境下对该算法及IMM-PSNF、IMM-PDAF算法进行仿真对比分析,并研究了三种算法的跟踪稳定性及航迹丢失率。