目标跟踪的问题其实就是运动目标状态的滤波问题,通过雷达去测得运动目标的相关数据,然后对运动目标进行轨迹估计。对运动目标进行准确跟踪不管在军事还是在民用等方面都非常重要。在军事领域,雷达目标跟踪可应用在反导弹的防御上,战场地域的监视,低空防御等方面。在民用方面,可用于防空交通管制以及地面交通管制,无人驾驶以及跟踪行驶等方面。本文定义的目标观测量是非线性函数,所以所谓的跟踪滤波是非线性的跟踪滤波问题,本文由浅入深探索定位精度高,稳定性较强的跟踪滤波算法。以新型Sigma点滤波算法——容积卡尔曼滤波(Cubature Kalman Filter,CKF)作为基础,展开运动目标跟踪研究。论文的主要研究内容如下:第一章分析了论文的研究背景和意义,将主要的运动模型和跟踪滤波算法的发展和研究现状进行了详细的剖析。第二章分析了几种常见的和应用比较多的运动模型,其中包括CV模型,CA模型,CT模型,Singer模型,‘当前’统计模型,在这里面详细的分析了这些运动目标的状态方程以及一些特性,其中对Singer模型的特性进行详细分析,认识到了Singer模型的一些缺陷,将‘当前’统计模型与Singer模型进行比对之后,得出‘当前’统计模型更加适合目标突发机动场景。第三章从匀速运动开始分析,建立匀速运动目标的数学模型,研究了EKF,UKF,MVEKF,CKF算法的基本原理和算法流程,然后将它们运用到匀速运动目标滤波跟踪中,CKF算法用Spherical-Radial准则,通过这个准则计算出非线性函数的均值以及协方差。然后通过仿真得出CKF算法更加适用于匀速运动目标跟踪。并且定位精度高,稳定性强。我们在此基础上对CKF算法进行更深入的研究,将其或者是它的改进算法运用在更广的运动模型中。第四章以运动目标在真实的环境中不是都在做匀速运动,更多的是在做机动运动为背景,针对目标突发机动这一状况,在‘当前’统计模型的基础上加入强跟踪滤波器,然后将时变渐消因子引入一步预测式子中,调节一步预测的状态协方差,这时得出的算法具有更好的滤波效果,并且在此基础上对系统噪声引入调节参数,使其自适应调整系统噪声,即在每一时刻,实时更新系统误差,使之更加贴近真实的环境,能够达到自适应的效果。交互多模型(IMM)通过使用两个或两个以上的模型对目标的运动状况进行描述,每一个模型之间的切换是通过马尓可夫概率转移矩阵确定的。在这里多个滤波器同时工作,然后通过将多个滤波器的输出进行加权融合来估计系统状态,这里面克服了单模型适用范围较窄的弊端。将均方根容积卡尔曼滤波(SCKF)算法和IMM模型结合起来形成SCKF-IMM算法,去跟踪机动目标,能得到较好的跟踪效果,并且在此算法的基础上将其改进,就是根据输出的结果再进行一次非线性测量更新,通过仿真分析得出,改进以后的算法的定位精度更高。第五章研究了目标跟踪中出现野值的情况,运动目标跟踪过程中若是有连续野值,会对滤波器的估计造成影响,使得滤波精度较低或者是波动较大,所以在最后面提出了抗野值的SCKF算法,该算法是在SCKF基础上结合SCNM模型提出来的,按照野值呈现的后验概率来自行调整通过测量预测的残差的方差阵。通过仿真实验表明,抗鲁棒SCKF算法在持续时间内出现野值时滤波精度要高于SCKF算法。降低了野值带来的影响。本文通过对各种滤波算法的对比分析,得出如果目标在做匀速运动,那么可以选择精度较高稳定性较强的容积卡尔曼滤波算法,如果运动目标在做机动运动,要想获得精度较高的跟踪效果可以选择SCKF-IMM算法,如果在目标跟踪过程中出现了连续野值的干扰,可以将抗野值算法加入滤波算法中,达到更加精确跟踪。