机动目标跟踪在现代军事领域和民用领域占有十分重要的地位并且有着广泛的应用前景,使得国内外许多研究人员对之展开了深入的研究,并取得了飞跃式的发展。机动目标跟踪是目标发生机动时不能准确描述目标运动的估计问题。随着科学技术的快速发展,目标的运行速度和机动性能变得越来越高,再加之,跟踪环境的复杂性,对机动目标跟踪提出了更高的要求。本文在学习前人研究成果的基础上,结合国内外的最新发展,围绕着状态估计和交互式多模型算法(IMM)对机动目标跟踪理论展开较系统深入地研究。首先,介绍机动目标跟踪理论研究背景以及国内外的研究现状,介绍目标跟踪涉及到目标运动的数学模型,概述了机动目标跟踪的基本原理。给出了机动目标跟踪中状态估计算法,卡尔曼滤波算法,给出了它的理论推导以及算法的详细流程。接下来,分析了概率数据关联卡尔曼滤波算法的理论,同样也给出了该算法的具体步骤。其次,在机动目标跟踪的背景下,介绍了非线性滤波理论,给出了EKF、UKF和CKF三种非线性滤波算法,阐述了三种算法的理论基础和基本原理,并给出了三种算法的详细流程,然后通过一个非线性目标跟踪模型验证对比三种算法的跟踪性能。重点介绍并分析了粒子滤波算法的理论基础、实现方法和具体步骤。并提出一种基于MCMC的迭代容积粒子滤波算法。该算法的解决办法是从重采样入手,为粒子滤波选取合适的有效的重要性密度函数。在该滤波算法中,利用容积数值积分原则计算非线性随机函数的均值和方差,在生成的粒子滤波建议分布中融入当前量测值,提高对系统后验概率的逼近程度。然后在此基础上融合MCMC抽样算法(Metropolis Hasting, MH)对所选建议分布进行优化,增加粒子多样性,以提高跟踪精度。最后,针对标准的交互式多模型中的滤波器采用卡尔曼滤波算法很难用于跟踪非线性较强的机动目标的问题,将改进的粒子滤波算法与交互式多模型结合,提出一种改进的交互式多模型粒子滤波算法,并给出此算法的步骤。该算法弥补了一般交互式多模型粒子滤波算法中的不足,通过仿真实验验证了算法的正确性和准确性。本文提出的算法在目标发生机动时的跟踪效果要好于交互式多模型粒子滤波算法。