机动目标跟踪是研究对目标机动运动不能准确描述的目标运动估计问题。而其中,多目标跟踪是主体为了维持对多个目标当前状态的估计而对所接收的测量信息进行处理的过程。此项技术在国防科研以及雷达,声呐信号处理及其它相关领域中是一个非常重要的研究课题,并在军事和民用上都有着广泛的应用前景。本文介绍了目标跟踪的基本理论和方法;主要研究基于连续型Hopfield神经网络并结合模拟退火算法来克服联合概率数据关联算法中的组合爆炸、网络演化收敛慢和易于局部极小等问题;研究了自适应滤波参数方面的目标跟踪方法;还研究了基于扩展卡尔曼粒子滤波算法下的机动多目标跟踪的技术等,并在此方面上做了分析和改进工作,主要的研究内容如下:1.实现了基本的扩展卡尔曼滤波算法。关于机动多目标跟踪技术,因联合概率数据关联算法中计算量很大的问题,而复现了基于连续型Hopfield神经网络的联合概率数据关联算法,提高其处理速度,其中结合了模拟退火算法思想的优点,来解决网络演化过程中收敛慢和易于局部极小等问题。给出了仿真实验结果并对此网络参数做出了相应的分析。2.针对自适应的滤波跟踪技术,本文提出一个新的自适应滤波方法,主要是用遗传算法来自适应优化机动多目标跟踪下的滤波参数。通过适应值函数的确定,根据遗传迭代操作可以找到当前跟踪效果最好前提下与之对应的滤波参数。仿真实验结果表明该方法改善了多目标的跟踪精度。3.实现基本粒子滤波算法。研究了基于扩展卡尔曼滤波和粒子滤波混合滤波下多目标跟踪算法。对该算法提出了改进,改进后的新算法与此算法作了跟踪结果比较。仿真实验验证了此改进算法对多目标跟踪的精度整体上有一定的提高,表明该改进算法的优越性。最后,对论文的研究工作进行总结,并对进一步的工作进行展望。