机动目标跟踪技术作为近几十年来研究的热点,其在军事和民用领域的作用发挥也是越来越大。在机动目标跟踪技术发展历程中,一方面,各种新的运动模型、滤波算法及数据关联算法相继被提出,大大提高了算法跟踪性能,另一方面,随着各类目标机动性能的提高,对目标跟踪系统的要求也是越来越苛刻。因此,对于机动目标跟踪算法的研究无论在理论研究上还是在实际应用中都有非常重要的意义。本文首先介绍了目标跟踪的组成要素、基本原理以及目标跟踪领域里的一些典型的数学模型,主要包括CV模型、CA模型、Singer模型、“当前”统计模型、CT模型等,并归纳总结了各个模型的应用特点。其次介绍了目标跟踪中的滤波算法,重点研究了卡尔曼滤波(KF)、扩展卡尔曼滤波(EKF)、不敏卡尔曼滤波(UKF),并通过仿真实验比较了三种算法的滤波效果。然后,针对目标跟踪过程中的数据关联问题,研究了最近邻数据关联(NN)、概率数据关联(PDA)和联合概率数据关联(JPDA)。其中,基于贝叶斯理论的JPDA算法被公认为多目标数据关联的经典算法,理论上已解决了数据关联问题,但是由于算法在计算关联概率时,需要对所有可能的目标关联解进行搜索,搜索过程运算量的指数增长效应,会导致算法计算量过大,实时性难以满足,为此本文使用快速数据关联(FDA)算法来解决计算负荷过大问题。作为本文的重点研究内容,文中较为详尽的分析了交互式多模型(IMM)算法的基本原理,针对杂波环境中多机动目标跟踪问题,将IMM与FDA算法进行结合,解决目标量测点迹和目标运动状态的不确定性问题。针对跟踪过程中的目标失跟问题,将扩大关联门应用到此算法中,当目标发生机动,关联门内检测不到有效量测时,通过逐步扩大关联门的方式,重新搜索有效量测,降低机动目标跟踪丢失率。同时,为了尽可能地减小新算法的运算量,运用预先定义采样间隔法自适应调整跟踪采样周期,以此平衡目标跟踪精度与跟踪系统负载。