目标跟踪是利用探测器所获得的运动目标量测，完成对目标运动状态的估计。由于量测数据中含有大量的干扰成分，有必要对量测数据进行处理，因此目标跟踪过程也是一个消除误差的过程。多数目标跟踪算法是基于目标运动建模技术，分为目标动态运动模型和量测模型。机动目标运动建模的主要难点在于目标运动的不确定性即目标动态运动模型。机动目标跟踪是当今国际上目标跟踪研究的热点和难点。在分析机动目标跟踪基本理论与方法的基础上，本文系统地研究了基于模型的机动目标跟踪算法。基于模型的机动目标跟踪算法可以分为单模型目标跟踪和多模型目标跟踪算法，单模型目标跟踪算法是多模型算法的基础。白噪声加速度模型(Constant Welocity-CV)、Wiener加速度模型(Constant Acceleration-CA)、Singer加速度模型、“当前”统计模型和匀速转弯模型(Constant Turn-CT)是比较经典的单模算法，分析了这些模型建模方法和仿真结果，得出了各模型的跟踪精度和优缺点。多模算法是当今机动目标跟踪中比较热的算法。多模(Multiple Model-MM)算法可以分为三代即静态多模型算法(Static Multiple Model-SMM)、交互多模(Interacting Multiple Model-IMM)和变结构多模(Variable Structure Multiple Model-VSMM)算法。IMM算法有固定结构的缺点，而且随着模型数量的增多，模型之间存在较大的竞争而导致跟踪精度的下降。VSMM算法能很好的解决固定结构的缺陷。本文通过仿真实验分析了IMM算法，提出了一种基于模糊推理技术的变结构交互多模算法，即模糊变结构交互多模算法(Fuzzy Variable Structure Interacting Multiple Model-FVSIMM)。IMM算法在跟踪机动目标时，各个模型的概率有一定的规律性，因此可以得出一定的模糊推理规则。该算法把IMM算法的模型概率作为模糊推理系统的输入，并通过模糊逻辑推理从模型集选出比较接近真实模型集的模型子集，从而实现了变结构功能。这样可以使得在输出中，参与的模型数量降低，减少了模型之间了竞争，从而提高了跟踪精度。该算法将模糊推理与多模型卡尔曼滤波结合，进行并行处理，有利于机动目标的实时精确跟踪。Monte Carlo仿真结果表明，在模糊规则设计恰当的情况下，FVSIMM算法相对于IMM算法在降低机动目标的误差方面更有效。本文针对机动目标跟踪算法做了大量了仿真，并得出了结果，提出的FVSIMM算法，增加了少量计算量而得到较高的跟踪精度。