目标跟踪是信息融合领域一个重要的研究热点,过去几十年以来,目标跟踪的研究取得了长足的发展,具有很好的研究前景和应用前景。目标跟踪已经被广泛应用于军事、卫星、交通等领域。从卡尔曼滤波(KF)、扩展卡尔曼滤波(EKF)和粒子滤波(PF),到各种各样基于经典滤波改进后的相关方法,针对目标跟踪的滤波方法越来越多。本文通过对KF、EKF、一般无迹卡尔曼滤波(UKF)等这些经典的滤波算法的研究,提出了一种结合卡尔曼滤波的非线性动态系统滤波方法。本文首先对EKF算法、UKF算法、PF算法进行了试验仿真和分析,发现虽然这些算法能够有效的对非线性动态系统进行滤波,但都存在一些问题,如EKF算法存在线性化精度低、需要计算复杂的雅可比矩阵等问题;UKF算法存在计算繁琐、滤波发散甚至失真的问题;PF算法存在计算量大、权值退化的问题。为此,本文提出一种利用观测数据局部线性化后再进行卡尔曼滤波的算法,将非线性滤波问题转化为线性滤波问题。研究思路如下:对于非线性动态系统中目标生成的轨迹,先提取它的非线性观测数据(距离、角度),然后对上述距离和角度数据分别进行局部线性化,接着对线性化后的距离和角度数据进行卡尔曼滤波,最后将滤波后的距离和角度映射成目标轨迹。本文将这种方法称为新轨迹滤波算法(New Trajectory Filter,以下简称为NTF算法)。其次,将NTF算法应用到构建的雷达目标跟踪场景中,并且与EKF算法、UKF算法、PF算法进行误差和时间性能的比较。仿真结果表明本文提出的NTF算法能有效抑制滤波发散,降低状态估计的误差,其估计性能要明显优于EKF算法、UKF算法,在估计性能相同的情况下运行时间远远低于PF算法。最后,将NTF算法应用到机动目标跟踪中,目标在实际的运动中,受到各种条件的影响,所以目标的运动往往不会只靠一个模型来描述,在不同的运动阶段采用不同的运动模型才能更好的描述目标的运动。NTF算法不用通过模型集进行跟踪,可以直接对目标进行跟踪,与交互多算法进行比较。仿真结果表明:NTF算法与交互多模型算法相比,跟踪精度高、耗时少。