在军事、导航、交通等领域,机动目标跟踪是一个重要的课题。一方面,现代战场上高机动目标种类、数量越来越多,对这类运动模式剧烈变化的目标进行准确跟踪是个难题;另一方面,随着传感器数量和种类越来越多,基于信息融合技术的目标检测与跟踪已成为一个热点研究领域。在这其中,分布式架构以其无融合中心、对通信带宽要求低、鲁棒性强等独特的优点日益受到人们重视,广泛应用在无线传感器网络等领域。基于以上背景,本文致力于研究机动适应力更强,精确性更高的变结构多模型机动目标跟踪算法,并将其通过一致性滤波思想引入到雷达和红外分布式传感器网络中,研究基于多模型的机动目标分布式跟踪方法。论文的主要研究工作如下:1.介绍了交互式多模型算法和变结构多模型算法的理论基础。针对雷达和红外传感器测量模型的非线性,研究了无迹卡尔曼滤波。并且发现,雷达和红外传感器的方位角测量函数存在奇异点,会导致状态估计效果在某些情况下急剧恶化。因此对无迹卡尔曼滤波和扩展卡尔曼滤波进行改进,提出方位角测量稳定的卡尔曼滤波。这种方法能够消除包含方位角的测量模型奇异点的影响,具有更好的跟踪稳定性。2.详细研究了两种典型的变结构多模型算法:期望模式扩增算法和可能模型集算法,通过仿真分析它们的优点和局限性;针对可能模型集算法在模式突变情况下动态误差增大的不足,提出核心模型的概念,据此改进了可能模型集算法,提高算法的性能;提出了基于可能模型集的期望模式扩增算法,既提高了期望模式扩增算法的估计效果,又减少了期望模式扩增算法每个算法周期参与滤波的模型数量。3.研究分布式无迹信息滤波算法,比较了三种基于一致性的分布式无迹信息滤波算法;考虑到多模型算法对运动模式突变的机动目标有比较好的状态估计效果,研究和比较了三种分布式交互式多模型无迹信息滤波;将变结构多模型算法应用到基于分布式传感器网络中,提出分布式的变结构多模型算法。这种方法相比于固定模型集的分布式交互式多模型算法具有更高的算法设计灵活性,提高了分布式网络下的机动目标跟踪性能。