科学上的许多问题可以归结为在一组带有噪声的量测量下估计出随时间变化的系统的状态。对一些严格限制的情况，这些最优递推解的确存在，如卡尔曼滤波以及网格滤波。但是对于通用的非线性问题就没有这样完美的解析解了。本论文在再入目标跟踪背景下研究了次最优非线性滤波算法，特别关注了新发展起来的Unscented卡尔曼滤波(UKF)。　　论文中首先给出了通用非线性滤波的贝叶斯最优递推公式，作为它的一个特例，随后给出了卡尔曼滤波公式。对应用非线性系统来说，这种最优解不可获得。处理这个问题时最容易想到的解决方法是将非线性方程进行局部线性化，这就是扩展卡尔曼滤波（EKF），EKF在过去几十年里成为处理非线性滤波问题中最被优先考虑的方法。论文中也描述了扩展卡尔曼滤波的一些变通方法，如迭代卡尔曼滤波和平方根滤波。基于卡尔曼滤波的Joseph更新协方差形式，我们推出了一种关于平方根滤波的简洁形式。另一种非线性滤波领域经常考虑的方法是粒子滤波（PF），文中讨论了粒子滤波的标准方法和应用中的常见问题。作为本论文最为关注的非线性滤波方法，Unscented卡尔曼滤波和扩展卡尔曼滤波需要的计算量同阶而且实现方便精度更高，自出现以来就广受理论工作者和工程专家的欢迎。论文中完整地描述了这个算法并就它的性能表现给出了分析。　　考虑到UKF的诸多优点，有必要对此算法进行深入探索。关于快速算法主要从采样点选取策略上考虑，采用了减少点的Unscented卡尔曼滤波器。精确算法上本文作者摒弃了利用更多采样点匹配高阶分布信息的做法，取而代之的是基于Unscented变换，给出两种迭代滤波方法。同时文中也考虑了数值鲁棒性算法，将平方根EKF算法平行地推广到UKF上，可以得到基于Unscented变换的平方根滤波器。另外，将UKF和交互多模型思想合并起来，我们完整地给出了交互多模型UKF算法(UIMM)。　　在应用领域，再入目标跟踪由于其状态/量测方程的强非线性和未知弹道参数而成为一个十分复杂的问题。对于未发生机动的弹道目标，给出了三个基本滤波方案，EKF，UKF和PF。在改进算法上如基于扩展卡尔曼滤波的迭代卡尔曼滤波，平方根卡尔曼滤波，基于Unscented卡尔曼滤波的减少点UKF，平方根UKF，迭代算法都在这一背景下进行了验证。仿真证明算法是有效的。　　当目标发生机动时，目标跟踪变得更加困难。未知的机动使得传统的单模型方法不够适合。本文在北-东-天坐标系和运动坐标系下建立了再入目标的运动和量测方程，给出了基于弹道再入目标(BRV)和机动再入目标(MaRV)滤波的传统方法。在此基础上建立的UIMM方法能够在跟踪全程都体现出良好的精度。同时对于此算法在实现过程中出现的数值问题，给出了具体的解决方案。　　当采样时间延长，由于强非线性和模型不匹配，单模型跟踪器的跟踪误差会随着采样时间的延长而恶化，本文也研究了这种情况下的机动目标跟踪，仿真表明，UIMM方法由于全程匹配运动模型而表现较好，因而是可靠性滤波应用领域的良好选择。