雷达数据处理系统是现代雷达中至关重要的一环。随着科技的发展,电子干扰的种类越来越多,战场环境越来越复杂化,目标的运动速度越来越快,目标运动形式也愈发多样,这些都导致了数据处理模块中虚假目标的爆发式增长,这对雷达数据处理的能力带来了很大的挑战。传统的目标跟踪处理方式在对大批量目标的处理时往往硬件是限制处理效率的瓶颈,因此在处理批量数据时耗时较长,难以满足雷达进行大规模数据处理时对实时性的要求。而随着GPU的发展,将CPU+GPU的并行架构应用于雷达信号处理领域里,不但能够提高信号处理效率,而且可以降低计算成本,提高计算性能,这将成为未来雷达领域的发展方向。首先,本文阐述了几种经典的目标运动模型,以及目标跟踪过程中常用的线性滤波技术和非线性滤波技术,并对常用算法EKF、UKF以及IMM算法,进行了实验对比和仿真分析。其次,传统的标准卡尔曼滤波算法在使用过程中,当目标发生运动状态改变或量测误差大时,会导致目标的跟踪精度下降,跟踪结果不收敛的问题。本文针对这些问题在该算法的基础上进行了改进,提出了一种基于新息回溯的修正卡尔曼滤波算法,并对其进行了仿真实验。该方法的关键在于联合目标过去时刻的新息(即回溯新息)对目标运动状态的变化进行判断,并结合当前时刻的新息与量测圆的大小,对误差大的量测值进行甄别,进而采用相关的修正准则调整后续滤波中的参数。最后,本文简要介绍了CPU+GPU的异构并行计算概念和GPU的体系架构。重点对多目标跟踪处理系统进行了基于CPU+GPU协同处理架构下的并行方案设计,并对模块中的相关算法进行了可并行性分析。最后详细阐述了CPU+GPU协同处理架构下的并行实现流程、航迹数据形式以及编程思路,研制了基于CPU+GPU协同处理架构下的多目标跟踪处理系统软件。在实验中使用大批量的数据对比了CPU串行的平台和CPU+GPU协同架构下的并行平台两种平台的运行效果,对所耗时间及加速比进行了对比分析,当点迹数达到1000个/帧,航迹数达到10000条时,本文所研制的软件加速比达到了293倍,满足了系统处理大批量数据时对实时性的要求。