随着现代航运事业的发展,水上交通形式日趋严峻,现代目标的机动性能越来越复杂多变,从而对水上运动目标的跟踪性能提出了更高的要求,尤其是机动目标稳定精确的跟踪更为关键,本文就此展开了对机动目标跟踪的研究。首先,本文分析了机动目标跟踪的基本原理,阐述了几种常用的目标运动模型,然后介绍了经典的卡尔曼滤波,重点分析了“当前”统计(CS)模型在机动目标跟踪中的应用,实验仿真分析了基于常用的运动模型,即匀速(CV)模型、匀加速(CA)模型、Singer模型的滤波算法和基于“当前”统计模型滤波算法的机动目标跟踪性能,为后文的改进算法提供了理论基础。其次,为了适应目标的高机动变化,分析了基于“当前”统计模型的滤波算法的不足,进而讨论了基于“当前”统计模型的模糊自适应滤波算法(CSFA),在此基础上,本文分析了强跟踪滤波器在机动目标跟踪中的应用,并结合改进的模糊推理系统,提出了改进的基于“当前”统计模型的模糊自适应滤波算法(ICSFA)。通过实验仿真,验证了本文的算法ICSFA相对传统的CS算法和CSFA算法,对机动目标和非机动目标的跟踪性能得到了改善。最后,由于目标运动的复杂性,单一模型很难满足对机动目标的全程精确跟踪,为此,本文讨论了传统交互式多模型算法(IMM)及其不足,然后分析了将模糊推理思想与CS模型结合的滤波算法(CSFA),在此基础上,本文提出了改进的基于模糊自适应的多模型算法(IFA-IMM),算法采用二级模糊推理映射的方式,通过一级模糊映射得到表征目标机动性的机动值,将此机动值作为二级模糊映射的输入,最终得到更新的模型概率。与此同时,对各个子滤波器的卡尔曼滤波进行改进,实时调整滤波器的噪声方差大小。最后通过实验仿真,将传统的IMM算法、CSFA算法和本文算法进行了仿真比较分析,验证了本文算法的有效性和优越性。