军事领域中,被动定位系统由于隐蔽性强,受到了越来越多的关注。被动定位分为单站和多站两种。单站虽然覆盖范围有限,但不受其他站约束,且抗毁性较好的特点,使单个观测站信息的挖掘和充分利用具有重要的实战价值。多测度是利用不同量测从多个通道来获取目标信息的多维测量技术,多测度技术获得的目标信息更全面。对目标的多个通道进行信息融合可以综合利用不同角度的目标信息,更精确的反应目标的位置,从而使目标定位更准确。因此,本文采用了单站多测度信息融合的方法对运动目标进行跟踪定位研究。本文在分坐标处理的基础上,针对不同机动目标模型在纯方位、纯仰角以及纯距离三个测度下进行分解,并对多测度的可观测性进行分析,给出了不同模型下三个测度可观测的定理,为分坐标处理条件下目标的跟踪提供了理论基础。同时在系统可观测的条件对不同测度进行了仿真实验。滤波是目标跟踪系统的基本要素之一。本文采用了改进重采样的粒子滤波算法和混合高斯PHD算法对单一运动模型以及实际运动中出现的目标运动速度或方向突然发生变化的情况的不同测度进行了滤波及平滑仿真实验。两种滤波算法的仿真实验结果表明:混合高斯PHD算法对纯方位和纯仰角两个测度的跟踪效果优于改进重采样的粒子滤波算法,而改进的粒子滤波算法对纯距离测度的跟踪效果优于混合高斯PHD算法。我们通过加入不同的观测误差对这一结论进行了验证。显然,利用信息融合的方法,对两种滤波方法下的跟踪结果进行融合,充分利用不同量测的目标信息,可以使目标的定位更加精确。作者采用了基本BP神经网络算法以及基于粒子群算法的BP神经网络的融合算法对不同运动模型多测度下得到的目标信息进行了融合。由于BP算法自身存在收敛速度慢,易陷入局部极小点等缺陷,融合误差相对较大;基于粒子群算法的BP神经网络算法需要计算每个粒子的适应度以找到个体最优和全局最优粒子,因而其运行时间长。针对这一现象,本文结合支持度函数对BP算法进行了改进,将数据间的相对差异性作为支持度信息引入BP神经网络的初始权值中,一定程度上改善了基本BP神经网络算法对初始权值敏感的缺陷。仿真实验表明:基于支持度的BP算法对单一测度的融合误差较小,利用多测度的信息融合对目标的定位更准确,在测度维减小的情况下,仍能够很好地跟踪目标,其运行时间虽略大于基本BP算法,但定位精度远远优于BP算法。