多模型(MM)滤波和粒子滤波(PF)是当前处理机动目标跟踪中非线性非高斯问题较为有效的目标状态估计方法。粒子滤波用一组采样粒子来描述目标状态的后验概率密度，摆脱了非线性滤波中随机量必须满足高斯分布的约束，但在模型不准确时仍然会导致跟踪失败。多模型滤波可以用模型集覆盖目标可能的机动范围，所以能够跟踪模型未知的机动目标。本文结合粒子滤波和多模型滤波的特点，开展了以下几点研究：　　 (1)、多模型的模型集设计和自适应方法的研究。　　 多模型估计包括模型集和自适应算法的设计。本文针对传统模型集中的状态模型必须和目标真实模型一致的情况，提出使用加速度模型来构建跟踪一般目标运动的模型集。而针对传统的自适应格点算法只适用于跟踪二维旋转机动目标，提出了能够跟踪一般平面机动的修正自适应格点算法。仿真结果表明，提出的模型集能够适用各种平面机动目标，而改进算法在模型范围未知的情况下也有较好的跟踪性能。　　 (2)、粒子滤波和变结构多模型结合方法的研究。　　 针对粒子滤波和变结构多模型的各自优势，本文提出将粒子滤波和变结构多模型相结合的方法。在结合过程中，详细讨论了现有粒子交互方法的优缺点，提出了利用各模型的均值和协方差产生粒子的新方法，显著降低了计算量。仿真表明，将粒子滤波和变结构多模型相结合的算法相比传统算法在计算量和跟踪精度误差上都有更优越的表现。