非线性滤波是目标跟踪中一个很重要的方面。本论文针对目标跟踪中的容积卡尔曼滤波算法及其改进算法进行了深入的研究。首先给出论文研究的背景及意义,简单介绍了目标跟踪和滤波方法的研究现状,然后以贝叶斯滤波为框架对经典的非线性滤波算法原理及流程进行了概述。在此基础上,给出本论文的主要研究成果。第一,针对当噪声特性未知时的目标跟踪与非线性系统的噪声协方差估计问题,本文提出了一种带有噪声特性递推估计的自适应容积卡尔曼滤波(ADCKF)算法。该算法是在常值噪声估计统计的自适应滤波基础上,将协方差匹配原理与噪声递推估计方法相结合,再代入到容积卡尔曼滤波(CKF)算法中形成的。改进算法不依赖于先验噪声分布,可根据观测信息对噪声统计特性进行在线估计与修正,并通过对常规点目标跟踪进行仿真实验,验证算法的有效性。第二,针对船舶避碰的导航问题,提出一种改进的迭代自适应容积卡尔曼滤波算法。通过对船舶目标的跟踪仿真实验,证明改进算法具有较强的鲁棒性,提高了传统CKF算法的滤波精度、稳定性。新算法在对目标进行估计的过程中能够降低观测数据的误差,跟踪估计出更准确的目标数据。本文还对改进算法中参数?_k的取值范围与滤波估计性能的关系进行研究分析。第三,针对参数取值不同对CKF算法的滤波估计性能的影响,本文研究了当状态变量初始值、初始协方差矩阵、状态转移矩阵、过程噪声协方差、测量噪声协方差这5个主要参数取不同值时,CKF算法对目标的滤波估计性能的影响,从而得出这些参数的最佳取值选择范围。