目标跟踪问题是自然界中的一个基本问题,可靠而精确地跟踪目标始终是目标跟踪系统设计的主要目的。随着计算机技术、传感器制造技术以及信息处理技术的飞速发展,使得目标跟踪问题发生着前所未有的深刻变化,被估计系统进一步显现出系统建模的非线性、非高斯,传感器量测的多平台、分布式和不确定,目标运动的多模式等特征。一方面感知环境和感知对象日趋复杂多变,感知手段日趋丰富,感知能力日益增强;另一方面感知任务和需求对目标的跟踪提出了实时、可靠、鲁棒和精确等多项要求。系统估计中这些新特点的出现,都进一步对估计理论发展、完善及应用提出了更加严峻的挑战。本文以实现目标状态估计的基本工具——滤波器为突破口,针对现代运动目标跟踪系统中状态估计的三类关键技术问题展开相关研究工作,以期进一步发展和完善运动目标跟踪理论。主要贡献如下:针对单传感器条件下量测噪声随机性对滤波器状态估计精度造成的不利影响,借鉴多传感器融合思想,结合当前时刻量测和量测噪声先验统计信息构建量测采样集合,提出了线性量测采样提升策略,并将其应用于标准卡尔曼滤波器。在此基础上,设计了量测采样分布式加权融合和量测采样集中式一致性融合两种实现结构。考虑到目标状态演化建模和量测建模坐标系转换时造成的系统非线性问题,结合非线性量测特点,进一步构建了非线性量测采样提升策略,并将其动态应用于处理非线性估计问题的容积卡尔曼滤波器中,结合加权融合思想,提出了基于分布式加权融合的量测采样提升容积卡尔曼滤波器。针对运动目标跟踪系统中系统误差对状态估计精度造成不利影响的问题,结合卡尔曼滤波器中状态预测和量测更新的实现机理,首先定量分析了系统误差对目标状态估计及其误差协方差引起的影响,进而利用状态扩维技术将系统误差建模为系统待估计状态量,构建了面向线性系统的基于卡尔曼滤波的系统误差和状态联合估计算法。在此基础上,针对存在量测系统误差的非线性系统状态估计问题,通过对非线性系统误差配准进行建模,以及对容积卡尔曼滤波实现结构的合理优化,提出了面向非线性系统估计的基于容积卡尔曼滤波的系统误差和状态联合估计算法。针对非线性高斯场景下目标数目未知或随时间变化的多目标跟踪问题,通过容积卡尔曼滤波和高斯混合概率假设密度滤波的动态结合,在单传感器量测条件下设计了一种面向非线性动态模型估计的容积卡尔曼概率假设密度滤波算法的实现结构。在此基础上,借鉴模糊集理论中隶属度函数设计的思想,利用数据间的相互支持度评估量测数据的可信度,通过构建和求解表示传感器量测间支持程度的置信距离和一致性矩阵的,提出一种基于多传感器一致性融合的容积卡尔曼概率假设密度滤波算法。本文针对现代运动目标跟踪系统中的状态估计方法展开相关研究,分别根据具体的应用背景提出和改进了相应的运动目标状态估计算法,理论分析和仿真结果验证算法的有效性和优越性。