被动多传感器的机动目标跟踪是目标跟踪领域的一个重要研究方面,受到越来越多国内外学者专家的关注。随着现代科学技术的日益发展,目标的机动性能不断提高,使得现代战争环境日益复杂,对目标跟踪提出越来越高的要求。因而,研究被动多传感器系统下的机动目标跟踪,对于提高我国防御系统的能力,具有十分重要的意义。针对机动目标的机动特性,本文重点研究了基于交互多模型(IMM)的机动目标跟踪算法。本文首先针对被动多传感器的非线性观测问题,研究了最近新提出的基于确定性采样的高斯滤波算法,详细阐述了利用拉格朗日乘数法得到更加逼近状态先验概率密度函数采样点的过程。利用IMM算法典型的模块化设计的优点,本文提出了一种基于交互多模型高斯滤波(IMMGF)的被动多传感器目标跟踪算法,该算法能够有效地提高机动目标跟踪的精度。其次,针对由于IMM算法采用标量权值更新模型概率而导致的目标的速度、加速度等估计不精确问题,研究了基于对角矩阵的交互多模型(DIMM)算法,该算法利用最优信息融合理论,将各模型状态估计的每一维向量元素(如：位置、速度、加速度等)实现优化融合,使得融合后状态的误差协方差矩阵最小。本文结合无迹卡尔曼滤波(UKF)算法,提出了DIMMUKF算法,该算法有效地提高了机动目标跟踪的精度,尤其对目标速度、加速度等的估计更加精确。再次,研究了基于模型切换时间的交互多模型(STC-IMM)算法,该算法在传感器的采样频率大于目标的机动频率的情况下,机动跟踪性能明显优于IMM算法。本文将STC-IMM算法与扩展卡尔曼滤波(EKF)算法相结合,应用于被动多传感器系统中,提出了一种新的STC-IMM-EKF算法,实现了只测角条件下对机动目标的跟踪。最后,针对机动目标跟踪中模型难以匹配的问题,本文提出了一种基于曲线模型自适应的机动目标跟踪算法。该算法将已有的曲线模型自适应跟踪算法作了一些改进,有效地避免了由于模型估计不精确导致的滤波器发散的现象。仿真实验表明,本文提出算法比现有算法取得更高精度的同时,扩大了其应用范围。