随着雷达信号处理技术的飞速发展，机动目标跟踪技术也有了显著进步，并且在军事和民用方面都得到了广泛应用。

在此方面，总结了大量机动目标运动模型，并且讨论了各个模型的优缺点和相互之间的关系。

当前统计模型的机动目标自适应跟踪算法，能够根据目标加速度的变化自适应地改变过程噪声，相比传统机动目标跟踪算法，跟踪精度明显提高。

粒子滤波的具有反馈学习项的交互式多模型粒子滤波算法,滤波效果优于原IMMPF算法。

当传感器有系统偏差时，基于MCC的卡尔曼滤波方法估计精度不理想。

针对未知系统偏差和量测噪声不精确问题，基于增量方程和线性最小方差最优融合准则设计了一种加权融合鲁棒增量Kalman滤波算法。

尽管这些技术通过构建增量量测向量的方式降低了传感器系统偏差的影响，但它们通常基于高斯噪声环境的假设，或者仅考虑量测噪声的不确定性，而当过程噪声和量测噪声都呈现非高斯特性时，这些方法的跟踪精度急剧下降。

一种改进的参数自适应IMM算法，通过重新定义模型误差压缩率之比，阐述了误差压缩率之比的特性，提高了跟踪精度。

一种改进的无迹卡尔曼滤波算法，基于后验模型概率变化的单调性，对模型估计概率进行二次修正，优化了转移概率矩阵，加快了匹配模型的切换速度。

比较分析传统的转移概率矩阵与改进的转移概率矩阵，可以发现传统的方法简单有效，计算效率高，但其通过平均分配设定模型转移概率，无法反映实际复杂的运动状态，会造成跟踪精度不高和算法不稳定的问题。

深圳市恒凯威科技开发有限公司http://szhkwkj.51dzw.com