低空监视雷达是基于三坐标的一次监视雷达。雷达有效工作范围为50km,搜索高度最高为3km,主要是对近低空的低小慢目标进行跟踪。低空监视雷达工作环境复杂,易受气象条件、地杂波、多役干扰等因素的影响。为解决在杂波密集情况下低空监视雷达目标跟踪算法性能效果不佳的问题,本文提出了基于机器学习的航迹起始分类算法和基于模糊聚类的联合概率数据关联算法,以提高目标跟踪的正确率,并满足实时性要求。基于机器学习的航迹起始分类算法以某低空监视雷达历史点迹和航迹作为实验数据,通过对数据进行分析和处理生成输入样本。然后对样本进行标准化处理并使用合成少数类过采样技术（SMOTE）增加正样本数量。通过以上处理方式减少模型在训练时因数据本身而引起的误差,一定程度上提升模型的精度。在深入理解了机器学习相关算法的基础上,本文分别基于随机森林、支持向量机和PU learning训练低空监视雷达的航迹起始分类模型,并对三个模型的相关超参数进行优化,得到分类效果最佳的模型。同时在仿真环境下将训练好的三类模型与传统的航迹起始算法进行对比分析。研究结果表明:基于随机森林的航迹起始分类模型的正确航迹起始率最高,而且生成的虚假航迹较少,该算法具有较为稳定的性能和鲁棒性,并且满足航迹起始的实时性需求,可应用于低空监视雷达的航迹起始阶段。针对联合概率数据互联（JPDA）算法随目标数的增加导致计算复杂度剧增的问题,提出了一种基于模糊聚类的联合概率数据互联（JPDA-FCM）算法。该算法分别取当前跟踪目标的N-1个扫描周期的量测对目标进行位置预测,对预测值加权求和之后作为聚类中心C,计算目标相关波门内的有效量测与C之间的隶属程度,选取合适的剪枝因子?对关联量测进行剪枝处理。仿真实验结果表明,设置JPDA-FCM算法剪枝因子?=1/4时具有最好的性能指标,该算法有效降低了JPDA算法的计算复杂度,并保证了数据关联精确度,可满足低空监视雷达数据关联的实时性和精度要求。最后以C++和Qt搭建了低空监视雷达可视化跟踪系统。该系统集成了本文基于随机森林的航迹起始分类模型和JPDA-FCM算法,可实时扫描并显示跟踪目标航迹点,以及雷达的所有点迹集合,具有运行稳定、可交互性强的特点。