在机动目标跟踪领域,由于无法获知目标每一时刻真实的运动情况以及何时发生了运动模型变化,模型的不确定问题就成为目标高精度跟踪的一大核心问题。目前用多模型方法来对机动目标的状态进行估计是处理模型不确定性问题最常用有效的方法,其中最经典的方法是交互式多模型算法。为了利用更多的先验信息,提高多模型算法的性能,本文研究了高阶多模型算法,主要围绕以下三个方面具体展开。第一:研究了基于混合转移分布的高阶交互式多模型滤波算法。与交互式多模型算法相比,高阶交互式多模型滤波算法利用更多连续多个时刻的信息,提高了估计精度;但是,高阶马尔科夫链所需设置的参数过多,缺少足够多的先验知识用以确定高阶模型转移概率矩阵。本文采用混合转移分布模型,用一阶马尔可夫模型转移概率的经验加权近似高阶模型序列的转移概率,大大减少了所需设置参数的个数,降低了合理确定高阶模型转移概率矩阵的难度。仿真验证了本算法的有效性;并且阶数越高,在模型不变区域的估计性能越好。第二:提出了模型切换受限的高阶多模型滤波算法。高阶马尔科夫链隐含了每一时刻都可能发生模型切换的假设,但在实际场景中这一假设不合理,目标通常不会在所有时刻都发生运动模型切换,为此本文在马尔可夫链基础上,增加模型切换次数有限的约束,即连续多个时间内最多只发生一次模型切换,从而给出了模型序列的更准确描述,带来估计精度的提高;同时由于删除了很多不符合条件的模型序列,也使得算法计算效率得到一定改善。另外,配合模型切换受限的多模型滤波,本文还设计了一种更为合理的高阶模型序列转移概率。推导了模型切换受限的高阶广义伪贝叶斯算法和高阶交互式多模型算法。仿真结果表明:该算法在模型不变区域的估计精度与模型序列已知的滤波算法极其接近,仅在模型跳变点处存在尖峰误差;与交互式多模型算法相比,所有区域的估计精度都得到提高;与同阶的普通高阶多模型滤波算法相比,模型跳变区域误差大大降低,过渡过程大为缩短,且节省了大量的计算量。第三:提出了模型切换受限的增广状态高阶交互式多模型平滑算法。该算法是在模型切换受限的高阶多模型滤波算法的基础上,进行状态增广,从而在滤波的同时实现平滑。仿真实验表明:该算法与增广状态的交互式多模型平滑算法相比,平滑效果得到进一步的提高;与模型切换受限的高阶多模型滤波算法相比,估计精度更好,且基本消除了尖峰误差;另外该算法可通过设置不同的固定延迟长度,实现不同程度的平滑效果。