目前我国的海洋事业已经进入了良好的发展阶段,科技迅猛发展的今天正是我国大力建设海洋强国的最佳时期。水下无人潜航器(Unmanned Underwater Vehicle,UUV),是目前非常热门的经济安全的水下装备,是执行海洋任务的最佳选择。水下目标运动要素估计是UUV实现水下目标探测的核心技术之一,为提高目标运动要素估计性能,本文围绕基于目标运动要素估计的非线性非高斯噪声下滤波算法、UUV目标跟踪路径优化算法等方面展开深入研究,论文的主要工作有:首先,简述水下目标运动要素估计与滤波理论的发展现状,明确水下目标运动要素估计核心问题。建立常用水下目标跟踪模型,通过可观测性分析给出目标可观测条件,并阐述基于贝叶斯理论的目标运动要素估计方法,为后续研究奠定基础。其次,为选择最优滤波算法进行目标运动要素估计,对非线性卡尔曼滤波展开研究,分析扩展卡尔曼滤波(Extended Kalman Filter,EKF)、无迹卡尔曼滤波(Unscented Kalman Filter,UKF)、容积卡尔曼滤波(Cubature Kalman Filter,CKF)的滤波性能,确定了在目标跟踪模型中CKF的优越性。针对目标跟踪状态方程具有线性化特征情况,在平方根容积卡尔曼(Square Root Cubature Kalman Filter,SCKF)的基础上,引入边缘采样思想,构建边缘平方根容积卡尔曼滤波(Marginal Square Root Cubature Kalman Filter,MSCKF),利用状态矩阵的线性映射对一步预测状态以及一步预测状态协方差矩阵进行计算。进一步,针对跟踪目标运动的先验信息较难获取,过程噪声统计特性未知的问题,提出自适应边缘平方根容积卡尔曼(Adaptive Marginal Square Root Cubature Kalman Filter,AMSCKF)滤波算法,该算法结合Sage-Husa时变噪声统计估计器以及边缘平方根容积卡尔曼滤波MSCKF,利用状态矩阵及量测信息实时估计过程噪声协方差矩阵,并通过仿真验证该滤波算法的有效性。然后,针对Sage-Husa无法保证其估计的过程噪声协方差矩阵的正定性,容易导致MSCKF过程中的平方根滤波递推失效,且容易发散、计算量大的问题,引入强跟踪滤波理论(Strong Tracking Filter,STF),构建MSCKF-STF滤波器,根据正交性原理,通过引入时变渐消因子来实时修正状态预测误差协方差矩阵,进而实时调节滤波器增益矩阵,提高滤波器对于模型不确定性的鲁棒性和对于突变状态的跟踪能力。进一步,针对海杂波复合K噪声干扰下目标跟踪系统中非高斯噪声问题,将MSCKF-STF应用于粒子滤波(Particle Filter,PF)框架中,构建MSCPF-STF滤波器,利用实时观测数据,通过MSCKFSTF优化粒子重要性密度函数,使其在兼顾非高斯噪声特性的情况下提高滤波精度。为更准确的描述跟踪目标的复杂运动过程,并将MSCPF-STF应用于交互多模型(Interacting Multiple Model,IMM)滤波框架中,构建IMM-MSCPF-STF滤波器,并通过仿真验证该滤波算法的有效性。最后,为进一步提高对目标运动要素的估计精度,分析UUV机动路线对于目标运动要素的估计精度的影响,介绍基于最大方位角变化率的UUV轨迹优化方法,针对复杂目标运动过程下的UUV轨迹优化问题,提出将最大方位角变化率的UUV轨迹优化方法与多模型IMM-MSCKF-STF相结合的方法,将各个滤波器计算的UUV优化路线通过交互模型概率加权融合,最后通过仿真对比验证该算法的有效性。