目标机动性和环境复杂性大幅增加了数据关联的难度。针对传统目标关联方法过度依赖先验信息,对监视区域内大规模、运动模型各异的目标关联效果较差的问题,本文主要研究基于点迹数据分类的多目标数据关联方法,力图在提高目标航迹数据关联的准确性、连续性和适应性方面有所创新。具体研究内容如下:首先提出基于轨迹分类的数据处理理念,将传统的目标跟踪问题转化为点迹数据子集的智能分类问题。运用数据导向型的随机森林分类方法进行目标航迹认知,以非参数决策树为基础,依托机器学习思想较好地处理非线性、非高斯情况。训练用数据集通过系统测试实验和仿真初步建立,并在雷达工作中不断积累丰富。其次,通过分析所提出的基于随机森林的目标航迹起始认知处理方法适用范围的局限性,提出两种改进方法以拓展其适用范围。针对算法起始量测漏警的目标时会出现延迟起始甚至无法起始的情况,通过形成关联假设与漏警假设的形式来综合考虑目标的检测器输出可能性,并通过基于后验概率的支持向量机分类得到假设的概率。针对算法需要一定量的已知来源的量测数据构建精度较高的分类器模型问题,引入了半监督学习算法来利用无标签样本来增加系统的泛化性能。最后,提出一种基于轨迹分类的雷达目标航迹维持算法,上文中的量测序列分类通过滑窗推进,从而实现实时关联,同时引入多假设跟踪思想,保留多种关联可能性延迟判决。通过将航迹起始与维持模块整合于同一框架下,基于轨迹分类的多假设目标关联系统可实现目标的自动起始、关联、终结。实验结果表明本文研究成果有效地解决由于先验知识不清、目标运动或杂波背景不符合模型设定、参数缺失等造成的目标跟踪困难。对于提高态势信息获取的准确性和稳健性,服务指挥决策具有十分重要的意义。