目标跟踪的核心问题是在复杂干扰环境和目标密集的情况下进行状态估计,包括航向、方位角、运动分量(如位置、速度、加速度等)等参数。在现代军事系统中,为了保证较好的完成任务,对目标实施准确的定位与跟踪是现代化国防建设和国家安全的迫切需求。本文的研究工作就是在此背景下,对目标跟踪系统的滤波算法进行理论研究和实验仿真。在线性系统中,主要使用最小二乘法或者卡尔曼滤波方法来解决动态系统的目标跟踪问题;在非线性系统中,近些年来研究的热点集中在基于卡尔曼滤波思想的改进算法和粒子滤波(PF)及其改进算法。PF算法由于不受状态方程和量测方程非线性程度的影响以及对噪声无限制的优点,逐渐引起了研究人员的重视。由于现代化军事及民用领域对目标跟踪精度需求的不断提高,因此本文的主要研究内容是提高滤波精度,并提出了两种改进的滤波算法:一是针对高性能要求的目标跟踪中PF算法估计精度低、粒子退化的问题,提出了一种基于无迹卡尔曼粒子滤波的改进算法。该算法将实时观测信息融入无迹卡尔曼滤波(UKF)的重要性密度函数,并在UKF环节中Sigma点的选择过程中加入可动态调解参数的比例缩放因子用来解决采样的非局部效应问题;同时在PF重采样算法中采用系统重采样的方法,根据有效粒子容量设置权值门限判定是否需要进行重采样,即形成系统比例对称无迹粒子滤波算法(SPSUPF)。Matlab仿真表明SPSUPF可以在耗时相当的情况下有效解决粒子退化的问题并提高滤波精度。二是针对传统PF算法建议分布函数的选取问题、粒子退化以及粒子贫化现象,提出了一种基于马尔可夫蒙特卡洛思想的改进粒子滤波算法(WAUPF-MCMC)。首先,该算法使用基于比例对称采样方法选取Sigma点的无迹卡尔曼滤波产生PF建议分布函数;其次,将似然分布自适应权值调整策略应用于权值选取步骤;最后,采用系统重采样方法并且加入了用来保持粒子多样性的马尔科夫链蒙特卡洛步骤,有效的克服了粒子贫化现象。仿真结果表明,WAUPF-MCMC算法能有效抑制粒子退化及贫化现象并且跟踪精度高于传统的非线性滤波器。