相对于飞机和雷达等近地监测手段来说,对地观测卫星具有可观测区域广、安全性高等优势,在军事和民用各领域都发挥着十分重要的作用,但卫星监测手段同样受到观测幅宽、卫星轨道和星载传感器成像性能等限制。当前针对运动范围广、不确定性强的移动目标的监测,如何有效利用卫星资源实现对移动目标的搜索跟踪,已经成为了一个重要的课题。目前针对移动目标监测的卫星调度技术仍然存在很大的发展空间。从目前的研究来看,在面向移动目标监测的卫星调度技术中,目标的运动预测与估计以及卫星的调度决策是卫星调度技术的重点也是难点,移动目标运动状态的准确预测和估计是实现最优调度决策的基础,而调度决策的优劣直接影响卫星观测的效果。因此,本文从这两方面入手,面向移动目标的监测需求,对面向移动目标监测的卫星调度技术进行研究,主要研究内容如下:1、对卫星调度决策进行研究,以最大化探测概率收益与信息收益的加权和为优化目标,提出了一种兼顾探测概率收益和信息收益的卫星调度算法。在面向移动目标监测的卫星调度中,为了解决目标移动带来的不确定性以及观测系统固有缺陷带来的不确定性对调度策略的干扰,目前采用的主要从信息论的角度出发的调度算法,以减少任务区域的不确定性为目标进行调度决策,可能忽略任务区域内对发现目标较为重要的较大分布概率区域。针对该问题,本文提出了一种探测概率与KL(Kullback-Leibler)散度度量的信息收益结合的调度算法。该算法利用KL散度实现对不确定性的度量,并以探测概率克服信息收益忽略较大分布概率目标区域的缺陷,兼顾不确定性的减少和较大分布概率区域的观测。同时依据任务区域内的目标实时分布概率实现权值的自适应调整,以适应任务区域内不确定性与目标分布的实时变化,提高卫星观测的效能,同时能适应搜索阶段和跟踪阶段的调度。最后对随机调度模型、探测概率收益模型和信息收益模型进行了仿真实验比较,结果表明,兼顾探测概率收益和信息收益的算法提升了搜索阶段发现目标的能力,验证了该算法的有效性。2、针对机动目标运动预测与状态估计问题,在交互多模型基础上,设计模型转移概率修正因子,用卡尔曼优化的粒子滤波器进行滤波,提出了一种转移概率自适应修正的改进交互多模型粒子滤波算法。针对机动目标的运动预测,目前依据先验信息提前设定好模型转移概率的方式,当机动目标运动规律变化时预测性能可能会降低,基于此,本文从模型匹配的角度出发,提出增大当前预测时刻的匹配模型在运动预测中的比重,以提升目标运动预测的准确度。采用当前时刻的模型概率和当前时刻与前一时刻相比模型概率的变化度量模型的匹配程度,设计转移概率修正因子。该方法设计的转移概率修正因子引入了当前的观测信息,同时考虑模型匹配变化趋势,提升目标运动预测准确度。针对目标状态估计,传统的卡尔曼滤波方法对非线性较高的机动目标的状态估计问题效果较差,而采用粒子滤波与交互多模型算法结合的方法计算量会急剧提升。于是采用带模型信息的粒子进行状态估计以简化模型交互与状态交互过程,减少粒子数的增多,控制算法的计算量。用卡尔曼滤波器对粒子进行优化,增强粒子的状态估计能力,改善粒子匮乏问题。将该算法与传统交互多模型算法和IMM-SRCKF算法进行对比验证,仿真结果表明,本文算法提升了目标跟踪精度,对于目标发生机动有很强的适应性。3.针对电子卫星对目标的定位跟踪问题,基于C#和GMAP设计并实现了集跟踪、定位和信号分析为一体的目标跟踪系统。该系统主要包括地图模块、信号分析模块、定位模块、状态预测与估计模块。通过四个频谱分析节点模拟电子卫星星载电磁信号接收机的工作模式,实现目标的时差定位。通过将本文的目标跟踪算法嵌入状态预测与估计模块进行分析和实验,充分验证了跟踪系统的有效性。同时该系统具有较强扩展性,能够为今后的目标跟踪研究提供一个通用的仿真验证平台。