在雷达信号处理领域中,目标跟踪是非常重要的组成部分。目标跟踪技术通过传感器的相关量测值获得感兴趣目标的状态信息,并通过适当的滤波算法实现对目标运动状态的预测与估计,进而达到稳定跟踪的目的。其中,滤波算法的选择对跟踪结果的准确度起着决定性作用。因此,本文首先研究了线性场景与非线性场景下不同滤波算法的跟踪性能,分析了各自的优缺点。其次,为了获得更高的目标跟踪精度,本文又研究了多传感器信息融合算法,包括适用于同步观测场景的协方差交叉融合算法与信息矩阵航迹融合算法,以及适用于异步场景的顺序量测异步融合算法。在此基础上,给出本文的主要工作:1.在滤波算法方面:本文首先介绍了贝叶斯滤波理论,这是本文后续研究的理论基础。随后研究了基于贝叶斯理论的滤波算法,其中包括适用于线性场景的卡尔曼滤波算法(KF),以及适用于非线性场景的扩展卡尔曼滤波算法(EKF),无迹卡尔曼滤波算法(UKF)和转换量测卡尔曼滤波算法(CMKF)。为了分析非线性场景中各个滤波算法的跟踪性能,本文通过对仿真结果进行对比分析表明,卡尔曼滤波器仅在线性高斯场景中能获得较高的跟踪精度;在非线性场景中,由于EKF,UKF与CMKF处理非线性的方法不同,因此跟踪性能也不尽相同。其中,EKF算法的滤波误差最大,它适用在非线性程度较小的场景;UKF较CMKF有更高的跟踪精度,但是UKF比CMKF的计算量大,滤波时间长。2.在多传感器信息融合方面:由于在分布式跟踪中各个局部传感器间的估计误差的互协方差矩阵未知,且互协方差矩阵的计算极其复杂,因此本文研究了两种无需已知互协方差矩阵便能很好地融合局部传感器信息的融合算法,分别是协方差交叉融合算法(CI)与信息矩阵航迹融合算法。然后将这两种算法分别应用在弹地雷达之间以及地基雷达之间的信息融合,仿真结果表明这些融合算法均能得到较好的融合跟踪效果,同时也对比了这两种融合算法的融合精度。其次,本文也研究了带有反馈和无反馈信息融合的区别,仿真结果表明,虽然融合估计解对于融合中心是等价的,但是,带有反馈的融合算法可以明显地改善局部传感器的跟踪性能。最后,介绍了一种顺序量测的异步融合算法,通过仿真验证了该算法的有效性。