在互联网及电子技术飞速发展的如今,机动目标态势估计在很多民用领域得到了广泛的应用,其中航迹关联是解决机动目标态势估计的关键性问题之一。航迹关联是判断来自于不同传感器的两条航迹是否代表同一个目标。随着测量目标的传感器数目日益增多,目标航迹出现交叉、分岔等复杂情况,航迹关联过程也变得困难。针对原有航迹关联算法计算过程繁琐,正确关联率比较低等缺点,本文将用机器学习中的算法来解决航迹关联问题,具体工作包括如下:1.首先对常见的几种机动目标运动状态进行了研究介绍,主要研究了交互式多模型算法,用来产生机动目标一段时间内整体的运动状态轨迹,使用交互式多模型算法对机动目标进行了仿真分析。并且研究了几种传统航迹关联算法:加权航迹关联算法、修正航迹关联算法、最近邻域航迹关联算法,分析了几种算法解决航迹关联问题的思想,阐述在多目标多传感器且航迹有交叉的情况下这些算法存在的缺点。2.由于传统航迹关联算法是对航迹数据进行两两关联性判断,当目标数量较多且有大量航迹的情况下,传统方法处理能力不足导致关联正确率下降是一问题。通过使用机器学习中的聚类分析算法进行航迹关联问题的处理,针对目前航迹与航迹关联问题,主要研究了机器学习中的K-MEANS聚类算法,针对K-MEANS算法在解决航迹关联过程中出现航迹数据聚类结果模糊不确定的现象,研究了K-MEANS算法的改进算法模糊K-MEANS(Fuzzy K-MEANS)对航迹数据进行聚类处理。考虑到机动目标当前的状态与历史状态相关联,而模糊K-MEANS算法中未考虑航迹数据在时序上的关联性,提出在模糊K-MEANS算法的基础上加入综合模糊相似度的改进算法SFKM,该算法考虑航迹数据在时间上的关联性,通过仿真验证提高航迹关联的正确率。3.虽然SFKM算法提高了航迹关联的正确率,但是随着聚类数目的逐渐增多,关联正确率逐渐下降,针对这一问题,本文利用深度学习中的卷积神经网络(CNN)和长短时记忆网络(LSTM)分别从空间维度和时间维度对航迹数据进行特征提取,提高航迹数据的特征表达能力,同时提高了传感器数据处理中航迹关联的智能性和准确度。仿真分析表明,相较于本文中提到的原有航迹关联算法,本文中的方法获得了更高的关联正确率。