随着高超声速飞行技术的逐步成熟,飞行器可以实现大气层内高超声速机动飞行,突破了传统目标跟踪中有关跟踪模型和状态估计算法的诸多假设,大幅降低了跟踪效果。受到强烈复杂的空气动力作用,目标可以实现更加复杂的机动飞行,严重降低了跟踪模型的准确性,进而影响滤波算法的估计效果。典型解决方法是提取特征参数对状态向量进行扩维以弥补模型误差,然而非线性动力学模型中状态与参数的非线性关系不利于参数估计的收敛性和一致性,线性运动学模型又不足以准确描述高超声速运动。而且,这些缺陷也不利于目标机动模式的在线识别,难以解决目标运动模型未知以及切换问题。状态估计算法融合模型信息和测量数据,对目标状态和参数进行联合估计,滤波效果直接取决于状态维度选择和协方差设置。一般采用Riccati方程推演协方差演化,并结合协方差分析对估计算法进行定量评估和设计。但是对于先验信息较少、非线性较强的机动目标跟踪,相关研究还比较少。同时,目标的机动特性改变了模型不确定性的分布规律,使之呈现非高斯特性。对于由此引发的非高斯不确定性非线性传播问题,可以采用大规模随机性采样和以逼近对象概率分布为基础的确定性采样进行解决。但是,二者计算量都比较大,难以适用于需要快速反应的高超声速机动目标跟踪。本文针对上述若干问题开展研究工作。针对传统跟踪模型的缺陷,本文提出一种基于高超声速飞行运动特性的跟踪模型设计方法,采用数据处理算法研究弹道数据的内在相关关系并给出参数化描述。以弹道坐标系为基准,建立高超声速飞行动力学模型和典型飞行模式,通过数值仿真生成原始弹道数据。同时,为避免不同数据模态之间的干扰,引入集成经验模态分解技术对弹道数据的趋势项、周期项和噪声项进行分离。针对各个数据项,统一采用自回归滑动平均模型对其进行分析和参数化建模,其中趋势项拟合主要根据数据的时域特性,周期项建模则借鉴了信号频谱分析和相关关系白化处理的相关研究。最终,通过模型叠合算法将上述数据项的建模结果进行综合,建立飞行状态跟踪模型——高阶马尔可夫模型。以状态变量的相关关系描述运动规律,有效避免了非线性模型参数可观测性问题,而且可描述的运动形态复杂度也远高于运动学模型。以上述高阶马尔可夫模型为基础,设计高超声速机动目标状态估计算法,主要涉及状态变量的选择、初始状态协方差和过程噪声协方差的设置。围绕标称轨迹对系统进行线性化处理,将其转变为线性时变系统;根据可观测性Gramian矩阵的秩检验,确定系统可观测模式的数量和方向;然后基于Riccati方程和协方差分析研究系统状态的随机可观测性,完成对滤波状态的选择。引入线性系统稳定性分析的随机可观测性和随机可控性概念,分析初始状态协方差对算法稳定性的影响,进而对其进行设置。以李雅谱诺夫指数法和函数法为基础分析算法稳定性,前者以状态协方差为操作对象,展示空间中估计轨迹的误差趋势;后者则通过对系统进行线性化处理,讨论算法稳定条件;二者结合,完成对过程噪声协方差的分析和设置。基于上述可观测性和稳定性分析结果设计的状态增广滤波器,可以有效保证估计结果的稳定性和精度,而且对高阶状态存在滤波-平滑双重估计机制,可以有效提高滤波算法的收敛性。针对机动目标非高斯不确定性的非线性传播问题,以贝叶斯估计、Gauss积分和混沌多项式理论为基础,设计了非高斯样本生成策略以及样本处理算法。贝叶斯估计理论给出了任意概率分布的序贯滤波框架,将估计问题转变为概率密度函数加权积分问题;结合Gauss积分对其进行解算,可以达到较高的代数精度;基于模型误差分布规律,引入Wiener-Askey混沌多项式理论确定相应的正交多项式,可以生成单维样本集合及其权重。然而,由于多维非高斯联合概率密度函数形式复杂、不易求解,而且采用维度遍历方法由单维向多维进行扩展又会面临维度灾难,在此引入坐标轴采样策略以生成多维样本集合及其权重。然后基于正交基函数矩阵对配点法进行改进,对样本集合进行处理并确定混沌多项式展开系数,进而确定随机过程的统计特征,使其更加逼近真实的概率分布。由此设计的滤波器,可以在一定程度上缓解计算协方差的近似误差。针对目标机动引起的模型不匹配问题,主要从鲁棒滤波和线性预测理论出发完成对目标运动规律的在线识别,解决模型未知以及随时可能出现的机动模式切换问题。根据高阶马尔可夫模型和状态估计算法,引入二级Kalman滤波算法改善对状态和模型偏置的联合估计,并借助于解耦策略讨论耦合作用对算法稳定性的影响。同时为增强算法对模型突变的鲁棒性,将Huber函数引入强跟踪滤波算法设计了鲁棒滤波器,有效克服了过调节问题,实现对机动目标的稳定跟踪。为进一步提高跟踪精度,结合高阶马尔可夫建模策略,使用线性预测理论对跟踪数据进行处理,在线建立目标运动规律的自回归模型。如此实现对目标机动模式的在线识别,并且给出了识别误差的统计特征,以用于滤波算法设计、提高跟踪精度。结果表明,上述算法可以有效克服模型未知以及模型突变引起的滤波性能下降和发散问题。