目标跟踪是利用各种类型的传感器获得的关于目标信息，对目标的真实状态以及未来的状态进行估计和预测的一门技术。目标跟踪技术在军事以及民用等诸多领域里都有着广泛的应用。随着电子技术以及计算机技术的进步，各种新的技术与理论被应用到目标跟踪领域中来，目标跟踪技术也逐渐的发展成为一门跨学科，跨行业，多层面的技术。目标跟踪技术研究的主要内容是从传感器中获得的关于目标的不精确的信息中，准确的估计和预测到目标的真实信息，因此需要各种滤波器对收集到的数据进行滤波处理。卡尔曼（Kalman）滤波作为一种性能优良的滤波算法，在目标跟踪领域里得到广泛的应用，但是滤波器是以一定的目标跟踪的模型为基础的。因此目标跟踪的研究对象也主要包括跟踪模型和滤波算法这两个方面。在这两个方面，国内外的众多学者对此进行了深入的研究，并取得了较为丰硕的成果。作为一种新型的数据融合算法，交互式多模型（IMM）算法由于其优良的跟踪效果，较宽的跟踪频带，在最近几年得到了足够的重视。国内外对交互式多模型算法的研究也主要集中在对模型交互，数据融合等方面。随着模糊理论，神经网络等理论的研究的进展和日渐成熟，这些理论也逐渐的应用到了交互式多模型算法中来，很大程度上促进了交互式多模型算法的进展，本文也是主要在交互式多模型算法的基础上开展研究工作。本文首先介绍了目标跟踪的基本原理以及一些基本的滤波算法等，其中重点的研究了最小二乘估计，滤波，卡尔曼滤波，扩展卡尔曼滤波等在滤波理论中应用极为广泛的滤波算法。通过对匀速目标的跟踪仿真分析了卡尔曼滤波和滤波器的跟踪效果。其次介绍了目标跟踪领域里的一些典型的数学模型，重点介绍了应用于非机动情况下的CV，CA模型，以及应用于机动情况下的Singer模型，“当前”统计模型，Jerk模型等。同时作为本文的重点研究内容，文中较为详尽的分析了交互式模型算法的基本原理。由于交互式多模型算法要增加算法的滤波带宽就要添加较多的模型到模型集合中，但是过多的模型不但会增加算法的计算量，也会由于不同模型之间的竞争而导致算法的滤波精度下降等问题的出现。为解决这一问题，本文从以下几个方面入手，开展了一系列的研究工作。由于滤波算法是以一定的运动学模型为基础的，模型的精确与否对跟踪效果有着直接的影响。本文重点研究了应用于非机动情况下的CV，CA模型以及应用于目标机动情况下的Singer模型，“当前”统计模型，以及应用于高机动情况下的Jerk模型等目标跟踪领域里的一些经典的数学模型。同时作为本文的主要研究内容，文中重点的分析了交互式多模型算法的基本原理。交互式多模型算法由于具有较宽的滤波带宽，但是也存在着计算量过高，当模型集合中的模型过多的时候会导致模型之间出现竞争，从而导致跟踪效果变差。为了解决这一问题本文从以下几个方面入手，开展了一系列研究工作。(1)由于目标的机动在很大程度上体现在目标的加速度的波动上，因此本文的研究工作也主要集中在提高对加速度的估计精度上。考虑到“当前”统计模型对加速度的跟踪效果，但是该模型对于目标低机动时效果不佳，本文设计了一种采用最大加速度自适应的“当前”统计模型进行加速度的预估计。(2)为了达到IMM算法较宽的滤波带宽，本文借鉴了变结构的多模型算法，设计了一种基于模糊推理的变结构的多模型算法。算法使用“当前”统计模型进行加速度的预估计选择模型集合中的适当模型进行滤波处理，摈弃那些与运动模式不符合的模型，使得系统在实时性和滤波带宽上取得较好的平衡。(3)最后为了验证改进后的算法的效果，本文采用标准的IMM算法和改进后的算法进行了仿真分析。通过仿真结果可知改进后的算法达到了预期的目标。