容积卡尔曼滤波算法是近年提出的一种获得广泛关注的非线性滤波算法。为满足近似线性最小方差条件,CKF仍须假设过程与量测噪声均为已知独立的零均值高斯白噪声。然而实际噪声环境往往不满足上述严格假设,这可能导致标准CKF的性能退化甚至发散。为克服这一局限性,进而增强标准CKF算法的鲁棒性。本研究基于标准CKF算法,针对不同噪声条件,提出几种改进自适应CKF算法并应用于雷达目标跟踪仿真实验。主要研究工作如下：1.为克服统计特征未知的过程噪声在滤波过程中对SCKF算法性能的不利影响,提出基于Sage-Husa噪声估计器的自适应SCKF算法。机动目标跟踪的仿真实验结果表明该算法在未知恒定和时变过程噪声两种背景中都比同等条件下的SCKF算法具有更好的滤波精度和稳定性。2.有色量测噪声不符合CKF算法的零均值高斯白噪声假设,因此基于一阶马尔科夫有色噪声模型、高斯滤波器和三度容积规则提出同时适用于有色和白色量测噪声条件的自适应CKF算法及其平方根版本。随后的目标跟踪仿真实验结果表明两种改进算法的有效性。3.针对高度容积卡尔曼滤波算法运行过程中存在的不定噪声对滤波性能造成的影响,基于非线性H无穷滤波框架和五度容积规则提出高度容积H无穷滤波算法,仿真实验结果证明了该改进算法的有效性。4.基于两种解相关原则和五度容积规则,提出两种互相关噪声背景下的改进高度容积滤波器,用于解决同时互相关噪声背景下高度容积卡尔曼滤波算法的性能退化的问题。目标跟踪仿真实验结果表明两种改进滤波算法能有效克服高度容积卡尔曼滤波算法的上述局限性。5.通过稳定性分析和仿真实验比较分析基于极大后验噪声估计的自适应CKF、强跟踪CKF、以及容积H无穷滤波算法这三种自适应CKF算法的性能。稳定分析结果表明三者之中,容积H无穷滤波算法的稳定性主要取决于标量β；而另两个滤波器的稳定性都受到过程噪声初值的影响。仿真实验结果表明三种滤波器在过程噪声未知恒定和时变的条件下均能有效改进CKF算法,但性能各有优劣。