针对空中单机动目标跟踪问题,本文从机动目标模型研究入手,在贝叶斯估计框架下按照从线性滤波方法到非线性滤波方法、从单模型跟踪算法到多模型跟踪算法的顺序,层层深入,逐步研究,完成了以下研究工作：1借鉴对机动频率建模的思想,提出了1种改进的截断正态概率密度模型(ICN模型),并通过Monte Carlo仿真将该模型与常用的“当前”统计模型进行了比较研究。研究结果表明,基于改进截断正态概率密度模型的跟踪算法(ICN-KF算法)具有更好的跟踪精度。2基于ICN模型,在线性滤波条件下提出了2种跟踪算法。第1种,基于模糊神经网络信息融合的卡尔曼滤波(FAnn-KF)算法；第2种,S(k)多尺度卡尔曼滤波(S(k)-MKF)算法。通过Monte Carlo仿真验证了相对于基本卡尔曼滤波算法,以上2种算法具有有效性和优越性。3在非线性滤波条件下,在基本无迹卡尔曼滤波的基础上,借鉴线性滤波中卡尔曼滤波器的S修正思想,提出S修正无迹卡尔曼滤波(SUKF)算法,并通过Monte Carlo仿真将其与其它2种非线性滤波算法——基本UKF、Sigma点粒子滤波(SPPF),进行了对比研究,验证了该算法的有效性和优越性。4采用自适应网格模型集自适应策略,按照直角坐标观测和极坐标观测2种情况,以前面的滤波算法为基础,提出了2种变结构多模型算法。第1种,在线性观测条件下,设计了基于S修正卡尔曼滤波的自适应网格模糊交互多模型(AG-FIMM-SKF)算法；第2种,在非线性观测条件下,设计了基于S修正无迹卡尔曼滤波的自适应网格交互多模型(SUKF-AGIMM)算法。通过Monte Carlo仿真验证了2种算法的有效性和优越性。