无线传感器网络定位跟踪技术无论在工业生产、环境监测还是军事领域都有着十分广阔的应用。卡尔曼滤波作为求解最优估计的主要算法之一，研究卡尔曼滤波算法在无线传感器网络定位跟踪中的应用有着重要意义。卡尔曼滤波是一种高效率的自回归滤波器，以“预测—实测—修正”的顺序递推，通过一系列的不完全及包含噪声的测量值，改善动态跟踪精度，求出系统状态的最优估计值。本文以热点技术之一的无线传感器网络为背景，对传统的卡尔曼滤波算法进行改进，提出了基于自适应节点簇的卡尔曼滤波定位跟踪算法。该算法基于自适应的节点调度策略，运用一点观测的扩展卡尔曼滤波实现对传感器网络内移动目标的定位跟踪。并模拟高噪声的测量环境，利用声纳节点开发了一个无线传感器网络定位跟踪系统平台，针对目标跟踪时网格切换的问题进行实验分析，通过与最小二乘法的跟踪效果对比，验证基于自适应节点簇的卡尔曼滤波算法的有效性。实验表明，该算法具有缩短测量周期、降低计算量、减少能量消耗、提高跟踪精度等优点。此外，卡尔曼滤波算法在轨迹预测方面也有着重要的应用价值。本文对雷达进行卫星定位跟踪时目标丢失后需要快速精确地重新捕获目标的问题展开讨论，并提出了基于外部摄动加速度自适应的卡尔曼滤波。由于卫星运行时受到复杂的外力作用，其外部摄动加速度复杂多变，该算法在进行卡尔曼滤波递推运算的过程中，运用线性估计和参数辨识的方法，利用历史数据对卫星的外部摄动加速度进行估计，再将估计值代入下一步运算的状态方程中，从而减少系统模型误差，提高预测精度。通过真实雷达定位数据的仿真试验，得出该算法比传统卡尔曼滤波和一般多项式拟合预测法具有更高的预测精度。本文研究了卡尔曼滤波在定位跟踪和轨迹预测方面的应用。以无线传感器网络和雷达卫星定位为实例，通过改进传统的卡尔曼滤波算法，使之能够达到较好的跟踪精度和预测精度，对定位跟踪和轨迹预测技术在工业、民用、军事等方面的应用均有一定的理论价值和现实意义。