目标跟踪是雷达数据处理中的一个重要组成部分，它指对来自目标的量测进行处理，有效抑制雷达测量过程中引入的随机误差，保持对目标状态的实时估计。对于多普勒雷达，传统的目标跟踪方法主要有两类：1）将目标运动在笛卡尔空间建模，利用含多普勒量测的观测直接估计目标运动的笛卡尔空间状态，多普勒量测的强非线性是近十年来这类问题研究的难点和热点；2）将目标运动在观测坐标系中建模，从而使观测方程线性高斯的优势得以保留，但目前这类问题中使用的观测坐标模型都是近似的经验模型，不能准确反映观测分量随时间演化的真实规律。为了解决以上问题，本论文深入开展目标运动的子空间建模和状态估计方法的研究，取得的主要成果如下：
　　1.针对多普勒观测的强非线性问题，提出了一种相控阵雷达方向余弦坐标系中合理利用多普勒量测提高估计精度的目标跟踪方法。通过距离和多普勒的乘积构造转换多普勒，再由转换多普勒及其导数构造伪状态，将强非线性的多普勒信息转换到线性伪状态子空间处理，以便选取线性滤波器更精确地提取多普勒量测中包含的目标运动速度信息。同时推导方向余弦坐标系中位置量测转换和多普勒量测转换及其转换量测误差的均值、协方差和互协方差，构造两个线性估计器分别从转换位置量测和转换多普勒量测中提取目标运动的笛卡尔状态信息和伪状态信息，将两者在最小均方误差（Minimum Mean Squared Error，MMSE）准则下静态融合出目标的最终状态。典型对比仿真实验表明，本文所提方法可有效提高目标跟踪的估计精度和稳定性，尤其在位置量测误差比较大的场景下，本文所提方法估计的位置相对均方根误差（Relative Root Mean Square Error，RRMSE）和速度RRMSE相比序贯扩展卡尔曼滤波器（Sequential Extented Kalman Filter，SEKF）和不敏卡尔曼滤波器（Unscented Kalman Filter，UKF）可降低约30%以上。
　　2.针对观测坐标精确模型缺失的问题，对目标运动在距离-多普勒子空间建模，推导了距离和多普勒的时间演化方程，提出了一种仅用距离量测和多普勒量测直接提取目标距离信息和多普勒信息的状态估计方法，这为在距离-多普勒子空间进行目标跟踪和其他应用建立了理论基础。本文首先利用距离、多普勒以及它们乘积的导数，分别构造三种常见运动匀速直线运动（Constant Velocity，CV）、匀加速直线运动（Constant Acceleration，CA）和恒转弯运动（Constant Turn，CT）在距离-多普勒子空间的状态向量。然后利用显式替代的方法，根据距离-多普勒状态和笛卡尔状态之间的函数关系，推导各个运动的距离-多普勒状态转移方程。最后利用UKF从距离量测和多普勒量测中提取目标的距离-多普勒状态，从而得到目标的距离估计和多普勒估计，并根据两点差分法推导滤波器的初始化公式，合理地处理距离-多普勒状态向量内部元素之间的相关性。典型对比仿真实验表明，基于本文建立的精确距离-多普勒子空间模型的状态估计方法，可有效提高距离和多普勒的估计精度，相比基于经验模型的距离估计和多普勒估计，RMSE可分别降低约20%和50%以上。
　　3.在工作2的基础上，研究了仅用距离观测的状态估计方法。仅用距离观测完成对距离本身观测噪声的滤波，同时实现对多普勒等参数的动态估计。首先根据两点差分法推导三种常见运动CV运动、CA运动和CT运动在只有距离量测情况下的滤波器初始化公式。然后对于初始化高阶模型时两点差分法误差大的问题，提出了一种基于距离-多普勒状态模型的初始化方法。通过状态转移方程，构造距离-多普勒状态向量和几个连续扫描周期的距离真值之间的函数关系，利用距离量测替代距离真值初始化状态向量各分量；再通过初始状态向量和几个连续扫描周期的距离量测之间的函数关系，利用不敏变换（Unscented Transformation，UT）计算初始协方差。由于考虑了真实的目标运动模型，即状态转移方程的约束，而不是简单地使用两点差分法进行近似，新的初始化方法更精确，尤其是在目标距离随时间非线性变化的场景。最后利用UKF从距离量测中提取目标的距离-多普勒状态，从而得到目标的距离估计和多普勒估计。典型对比仿真实验表明，只用距离量测进行状态估计的方法是有效的，新的初始化方法相比两点差分法更精确，距离估计和多普勒估计的RMSE可分别降低约30%和50%以上。