目标跟踪在军用和民用领域都有广泛应用,随着现代航空航天技术的飞速发展,对目标跟踪轨迹预测的精度要求也越来越高。其中,对多传感器的轨迹提取和轨迹融合预测算法的研究,在实现目标准确跟踪预测方面具有重要的现实意义。本文在对现有目标跟踪算法进行分析的基础上,重点研究了目标轨迹提取预测和轨迹融合预测技术,针对现有算法的不足,提出了交互式多模型的自适应滤波算法和分离独立方差的轨迹融合算法,从而提高轨迹预测精度,本文所取得的成果主要包括以下几个方面:首先,针对现有目标运动模型通常会与实际运动状态不匹配而导致的预测精度较低的问题,提出交互式多模型自适应滤波算法。该算法通过建立目标的多种不同运动状态和滤波模型,能够解决由于目标运动滤波模型单一而导致的轨迹提取误差较大的问题。同时,针对现有算法中模型转移概率矩阵均是固定不变的问题,从实际应用角度出发,提出马尔科夫转移概率矩阵实时调整模型,实现了多模型转移概率能够随着目标的量测信息而实时更新,以提高目标跟踪系统中的轨迹提取精度及轨迹预测精度。其次,针对现有融合算法在数据预处理过程中会引入相关误差的问题,提出分离独立方差的轨迹融合算法,该算法能够解决传感器间互协方差计算量较大和数据处理误差较大的问题,从而提高了轨迹融合预测精度。最后,利用System Vue平台中雷达发射接受信号机制模拟了基于雷达的目标跟踪系统,对本文提出的基于马尔科夫转移概率实时调整模型的交互式多模型自适应滤波算法和分离独立方差的轨迹融合算法进行了仿真建模测试。仿真结果表明,与现有算法相比,本文提出的算法能够显著提高目标跟踪系统模型中轨迹提取和轨迹融合方面的预测精度。本文的研究成果在目标精确跟踪和预测领域具有一定的应用价值。