随着科学技术的迅速发展和现代战争战场环境日趋复杂，现代目标的机动性能越来越复杂多变，而人们对跟踪的性能要求则越来越高，因而，使得现代机动目标跟踪技术成为无论是在军事上还是民用上的都是一个研究热点。在目标跟踪技术中，目标的状态最优估计算法是跟踪技术有效实现的数学工具和保证，目标的运动建模是系统的基础和核心，而系统的结构则是整个跟踪算法的有效实现手段，因此，本文从上述三个方面对机动目标跟踪技术进行了研究，论文的主要工作有：分析了现代目标跟踪系统的非线性特性，对目前常用的几种非线性滤波方法扩展卡尔曼滤波算法、无迹卡尔曼滤波算法和容积卡尔曼滤波算法进行理论推导，分析并仿真验证了这三种非线性滤波算法在高维环境下对非线性状态的估计精度性能和稳定性能为后续非线性机动目标跟踪系统的自适应算法研究提供了相应的理论依据。阐述了当前统计模型及其自适应的目标跟踪算法理论和性能，指出当前统计模型中反映目标机动性能的机动频率初始值难以确定、且其不随目标机动性能变化而自适应调整从而造成当前统计模型对机动性能变化的目标描述能力较差，降低目标跟踪系统的整体跟踪精度，提出了一种基于机动性能检测的机动频率自适应算法，建立机动频率自适应调节模型，分析并仿真验证了在目标加速度反复机动变化情况下，该算法对目标机动频率的自适应调节能力，并与传统固定机动频率参数的当前统计模型算法进行了比较分析。指出当前统计模型采用修正的瑞利分布描述目标的加速度存在一定的局限，使得当前统计模型对弱机动和非机动时算法跟踪性能较差，提出了一种加速度极值自适应滤波算法，采用一种铃形模糊隶属函数修正加速度极值，同时为了增强改进算法对加速度突变情况的跟踪能力，采用时变渐消因子调节修正了的加速度极值。分析并仿真验证了当目标在机动过程中存在弱机动和非机动运动，同时也存在加速度突变机动情况时该改进算法对目标的跟踪效果，并与传统当前统计模型和文献改进算法进行了比较分析。阐述了基于Jerk模型的目标跟踪理论及其跟踪性能，指出Jerk模型在目标的加速度变化率阶跃变化时系统会产生均值不为零的稳态误差，大大降低了Jerk模型的跟踪性能，提出了一种基于MEP-Jerk模型机动目标跟踪自适应算法，采用模型预测滤波预测估计Jerk模型的模型误差进行，实时修正Jerk模型对系统噪声假设不全面所造成的影响，同时针对非线性目标跟踪系统，采用容积卡尔曼滤波器实现上述自适应算法的状态估计。分析并仿真验证了当目标在运动过程中存在非机动运动、常规转弯运动以及加速度变化率阶跃机动时，该自适应算法和容积卡尔曼滤波器对目标跟踪系统的影响。指出了Jerk模型中机动频率和机动方差需要事前设置且不能自适应调整，降低了Jerk模型对机动目标跟踪精度和鲁棒性能，提出了一种基于AR模型的Jerk参数自适应估计算法，通过建立MS模型，并根据AR模型参数估计方法，实时的估计目标的Jerk机动频率和机动方差值。同时针对非线性滤波算法中容积卡尔曼滤波器在滤波过程具有较大计算量甚至可能出现不稳定的情况，提出采用平方根容积卡尔曼滤波器完成上述参数自适应算法的各状态滤波。分析并仿真验证了当目标反复做Jerk机动运动时该算法对目标跟踪系统的影响，并与基于扩展卡尔曼滤波的Jerk模型算法以及基于SRCKF的Jerk模型算法进行了比较分析。阐述了多模型理论和交互式多模型理论，详细分析了变结构交互式多模型算法中的可能模型集自适应算法和期望模型集自适应算法，指出可能模型集和期望模型集自适应算法都不能解决系统模型集无法覆盖目标的所有运动状态这一问题，提出了一种基于Kullback-Leiber信息因子分析多模型算法中模型集各模型之间匹配程度的算法，并在此基础上实现了系统模型集进行自适应调节。同时，针对变结构多模型算法中模型集中各模型在各时刻其模型概率和模型之间的转换矩阵都会发生变化，提出了基于Kullback-Leiber信息因子的模型概率更新算法，推导了更新后模型转换概率矩阵中各元素值的计算方程。分析并仿真验证了当目标反复进行参数变化的机动运动时该算法对机动目标跟踪的能力，并与传统的固定结构多模型算法进行了比较分析。