目标跟踪是研究目标运动不能被准确描述的目标运动估计的问题,它被广泛的应用于航海、航空以及安全防御等领域的跟踪、定位以及目标拦截等系统中。目标跟踪算法的主要内容包括建立能够准确地描述目标运动状态的数学模型和设计与之相匹配的能够进行精确地状态估计的滤波算法。由于现代目标跟踪问题变的越来越复杂,目标机动性越来越高,所以对于目标跟踪算法的跟踪性能的要求也越来越高。主要的建模方法包括匀速直线运动模型、匀加速直线运动模型和机动转弯模型等。其中近年来提出的交互式多模型(Interacting-Multiple Model, IMM)算法在解决机动目标跟踪问题时较为有效,IMM算法是利用假设的描述目标机动方式的多个模型来对目标进行跟踪。传统的IMM算法的子模型通常选用卡尔曼滤波器,由于卡尔曼线滤波算法要求状态空间模型为线性高斯白噪声模型。然而即使IMM的每个模型的状态后验概率密度为高斯分布,但进行交互后它的的概率密度也可能变成非高斯分布的形式,使得传统的IMM算法的应用具有一定的局限性,所以需要研究选取合适的匹配滤波算法。粒子滤波算法是一种通过蒙特卡罗模拟实现的递推次优贝叶斯估计算法,当目标处于强非线性或者高度机动性的情况下,其滤波性能相对很高,精度可近似逼进最优估计并且使用灵活、容易实现,且具有并行运算结构和实用性强的特点,所以在目标跟踪领域具有广泛的应用。本文主要对交互式多模型粒子滤波算法进行了深入的研究。通过研究目标建模方法和滤波估计理论对交互多模型粒子滤波算法的算法原理进行详细分析,然后介绍了交互多模型与粒子滤波算法相结合应用在强非线性条件下并和以往的与KF算法和EKF算法相结合的传统的交互多模型算法的滤波性能进行比较。提出传统的交互多模型粒子滤波算法存在的问题并针对提出的问题对交互多模型粒子滤波算法进行改进。具体的改进方法是通过调整目标状态方程的似然函数来调整粒子权重值,使得采样粒子更加接近状态真实值,从而使后验概率的估计更加准确得到的机动目标跟踪的估计结果更加精确,并通过MATLAB仿真实验比较各种目标跟踪方法,证明了IMMPF的优越性。