机动目标跟踪是目标跟踪领域的一个重要研究方向,并且在国防科研和民用领域都有着广泛的应用。目标跟踪,它是一个比较典型的具有不确定性的问题。而这些不确定性主要来自选取合适的机动目标模型和滤波技术,以及由于目标运动状态的未知性,观测源的不确定性,多目标和环境噪声的影响。本文在多模型算法的基础上,对强机动目标跟踪问题进行了深入的研究。本文主要的研究工作和取得的成果如下:1.本文首先介绍了目标跟踪的基本原理,接下来介绍了目标运动模型和滤波算法。建立合适的运动模型是目标跟踪中实现精确跟踪的先决条件,分别研究了各种单一模型,例如匀速模型,匀加速模型,转弯模型,当前统计模型等。由于单一模型并不能很好的覆盖机动目标的运动情况,故而对多模型算法进行了研究。实现机动目标跟踪的另一个重要方面是滤波算法,早期使用的是线性的卡尔曼滤波,但由于实际中目标大多是非线性的状态,故而研究了扩展卡尔曼,无迹卡尔曼,容积卡尔曼等非线性滤波技术。最后对采用相同滤波技术,不同目标运动模型的算法进行了仿真比较;以及采用相同目标模型,不同滤波算法进行了仿真比较,最后通过仿真实验证明了各方法的有效性。2.本文提出了一种理论上较优的方法,即平方根容积卡尔曼平滑滤波的组合式权重交互式多模型(RIMM-SRCKF-FL)。其实现过程为,在IMM算法的基础上,使用了组合式权重的思想。另外,在滤波阶段使用SRCKF方法,它利用球形积分准则和径向积分准则。相比非线性滤波中使用广泛的UKF算法,它优化了UKF中的sigma点采样策略和权重分配。同时,相比CKF,SRCKF中引入QR分解,有效的避开了矩阵开方的操作,提高了滤波的稳定性。最后,引入平滑算法,使跟踪精度得到进一步提高。相比目前标准的交互式多模型算法,该方法提高了目标跟踪的实时性和准确性。3.基于交互式多模型算法的不足,本文研究了变结构多模型算法。重点研究了两种变结构多模型,即格自适应多模型(AGIMM)和期望扩张模型(EMA)。在AGIMM中,将格自适应多模型分别与SRUKF和SRCKF结合,研究并实现了基于SRUKF的格自适应多模型(AGIMM-SRUKF)和基于SRCKF的格自适应多模型(AGIMM-SRCKF)。相比标准AGIMM,跟踪效果得到了提高。在EMA中,通过对加速度模型集的改进,使得对机动目标的跟踪精度有了提升。具体为对加速度模型集的量化,提出了一种随机量化方法。本文分别采用均匀量化区间和随机量化区间进行了仿真对比分析。对于上述的研究内容,本文已经通过对应的仿真实验得到了验证。最后对本文所研究的内容进行了总结,以及进一步需要研究的方向。