船舶的高精度定位以及船舶的实时航迹预测技术是实现VTS智能预警的关键技术,具有很高的实际应用价值。针对当前基于卡尔曼滤波算法的航迹自适应滤波算法在模型坐标系的选择方面、系统运行环境、噪声背景和抑制滤波发散的处理手段上存在的种种问题,以及航迹预测技术实用性、通用性较低的问题,本文深入的研究了VTS领域对这两种技术的现状和需求,具体工作如下：1.针对墨卡托航法和中分纬度法的经度计算公式在建立卡尔曼滤波的系统状态模型时,存在求导困难和计算结果精度低的问题,提出了一种简化的、短程航迹推算算法。算法将船舶的东西距航行近似为沿着推算起点的纬度圈航行,简化了经差的计算公式。实验结果表明该方法具有参数少、在航程小于1海里时计算精度高的特点。2.针对传统Sage-Husa自适应滤波算法存在系统噪声和量测噪声无法同时估计以及对方差的估计容易出现负定的情况,在原算法的基础上提出了改进的算法。通过讨论两种噪声对滤波增益的影响,确定了量测值的重要性,并从理论上推导出保证量测噪声方差正定的权重的取值范围。和原算法相比,该方法计算步骤少,不易发散,滤波精度高、无初值要求。3.针对传统Sage-Husa和STF自适应卡尔曼滤波算法在滤波发散时,无法自适应噪声的问题,提出在滤波发散时增加对量测噪声的修正思想。将实际误差超出理论误差的部分分别增加至量测噪声和一步预测方差,既避免由于两者数量级差距过大,忽略量测噪声对滤波增益影响的情况,又实现了噪声的自适应。经比较,该方法计算步骤少、跟踪性能好、滤波精度高、无初值要求。4.针对单跟踪源的自适应航迹估计算法易出现量测值的错误关联问题,提出了加入辨识量测值真伪功能的新算法。该算法通过追踪残差的变化来识别预测值和量测值的吻合度,以状态极限模型来识别何种模型出现了异常。该算法不仅可以识别量测值,还具备噪声的自适应估计功能,具有无初值要求、计算步骤少、跟踪性能好、滤波精度高、量测值的错误识别的特点。5.针对基于动力学或运动学模型的航迹推算方法存在计算参数多,不能自适应环境的弊端,提出了一种具有自学习能力的航迹预测算法。利用BP神经网络对一组连续时间间隔的船舶动态数据(经度、纬度、航向、航速、时间)的学习,建立从航向、航速到经差、纬差的映射,逼近船舶的运动规律。该算法对输入参数要求低,适用于任何类型的船舶。特别适合船舶运动模型难以建立,或像VTS这种需要通用的、而不是个性算法的情况。实验证明,算法预测精度高、参数少,通用性强。