随着军事技术的发展,目标本身运动及环境的复杂性给目标跟踪带来了巨大的挑战。为了解决目标在机动情况下稳定、精确跟踪问题,本文提出将粒子群算法优化的小波神经网络应用于目标跟踪的“当前”统计模型,通过蒙特卡洛仿真,验证了该算法可改善跟踪性能。本文在详细研究粒子群算法的基础上,针对标准粒子群算法在后期随着种群多样性的丢失,收敛速度变慢,极易早熟收敛的缺陷进行了改进。改进的粒子群算法在判断出粒子可能陷入早熟收敛时,就给陷入局部最优无法跳出的粒子增加一定的扰动,使陷入局部最优的粒子跳出,有效的避免了早熟收敛,而其余粒子保持不变,这样粒子在随后的迭代中两部分粒子组成一个新群体,这样既保留了每一代的全局最优粒子,又能保持了粒子种群的多样性。仿真验证了改进的粒子群算法减少了迭代次数、有效的避免了早熟收敛问题。其次,对小波神经网络进行了详细分析,小波神经网络有着比BP神经网络更好的收敛速度和逼近精度。但小波神经网络常采用梯度下降法来训练网络参数,易陷入局部极小值,收敛速度慢。本文用改进的粒子群算法训练小波神经网络的参数。仿真实验表明,改进的小波神经网络减少了迭代次数、提高了收敛精度,有更好的预测性能。目标模型的选取是机动目标跟踪中的一个关键问题。在建立模型时,既要符合目标机动的实际情况,又要便于数学处理。本文在分析CV模型、CA模型、Singer模型、“当前”统计模型的基础上,在MATLAB仿真坏境下,用蒙特卡罗仿真比较了各模型的跟踪精度。对“当前”统计模型进行了较深入的研究,分析了机动频率对“当前”统计模型跟踪精度的影响和机动频率自适应调整的原理。将粒子群算法优化的小波神经网络用于“当前”统计模型,自适应的调整模型的机动频率,仿真结果表明,本文算法不但提高了网络的训练速度,还提高了跟踪的精度,增强了系统的稳定性。