单站无源定位系统由于具有隐蔽性强、设备简单、相对独立、探测距离远等优势而逐步成为电子对抗领域的一个研究热点。由于观测量是目标状态的非线性函数，因此单站无源定位跟踪实质上是一个非线性滤波问题，研究适合于跟踪情况特点的定位精度高、收敛速度快、稳定性强的滤波算法是一个不断深入探索的过程。本文采用空频域定位模型，以一种新型的Sigma点滤波算法——容积卡尔曼滤波（Cubature Kalman Filter, CKF）为基础展开研究，主要工作内容如下：1、依据质点运动学，研究了基于空频域信息的单站无源定位原理。推导了测距误差，分析了影响该定位方法测距精度的各个因素及其对测距精度的影响程度。由于目标运动满足可观测性条件是研究定位跟踪算法的前提，采用对非线性方程进行伪线性化处理的方法，推导了基于空频域信息的固定单站无源定位系统对匀速目标和两种常见机动（匀加速和匀转弯）目标的可观测性条件。2、将容积卡尔曼滤波（CKF）应用于单站无源定位领域。CKF算法的核心思想是采用Spherical-Radial准则来计算非线性随机函数的均值和方差，实现简单，数值精度高。仿真实验表明，CKF是一种适用于单站无源定位跟踪的性能优越的非线性滤波算法。针对单站无源定位系统测量精度不高的问题，将后向平滑的思想与CKF算法相结合，提出了一种后向平滑容积卡尔曼滤波（BSCKF）算法，该算法通过前向CKF滤波和后向平滑相迭代来提高定位跟踪性能。实验结果表明，BSCKF算法可以获得比CKF算法更高的定位精度和更快的收敛速度。3、针对目标可能突发机动，根据“当前”统计模型，提出了一种强跟踪容积卡尔曼滤波（STCKF）算法。该算法通过在CKF中引入时变渐消因子来调节状态协方差、新息协方差以及互协方差，从而在线调整滤波器增益矩阵，以增强系统的自适应跟踪能力。仿真实验表明，在跟踪一般机动目标时，STCKF算法与CKF算法性能相当；当目标突发机动时，STCKF算法的跟踪性能要优于CKF算法。针对单站无源定位系统采用IMM算法对机动目标跟踪的情况，提出了一种测量更新CKF-IMM算法。该算法利用Markov过程控制子模型间的切换，并采用CKF算法对各模型进行滤波，然后将每个滤波器的输出状态进行概率加权求和，最后对融合状态进行一次非线性测量更新，以减小测量误差的影响。仿真实验表明，与EKF-IMM和UKF-IMM算法相比，CKF-IMM算法的估计误差更小；测量更新CKF-IMM算法较CKF-IMM算法具有更高的定位跟踪精度。4、单站无源定位系统的测量序列中如果出现野值，会影响滤波器的估计精度和稳定性，严重时还会导致滤波器发散。针对这一问题，基于Bayes定理并结合归一化受污染正态分布模型（SCNM），提出了一种抗野值鲁棒CKF算法。该算法在CKF的基础上对测量误差建立了一个SCNM模型，根据野值出现的后验概率来自适应调整测量预测残差的方差阵。仿真实验表明，抗野值鲁棒CKF算法估计精度高、稳定性强，可以较好地抑制离散或连续测量野值产生的不利影响。