认知雷达相比传统雷达具有明显的优势,它可以根据目标环境的变化动态调整工作模式、信号波形以及数据处理算法,是当前智能雷达研究的重要方向。本文研究主要从认知雷达跟踪理论和关键技术两个方面展开:1.认知雷达跟踪理论方面,(1)研究了人脑中感知-行动循环、记忆、注意、智能等认知功能的工作机制及其对雷达目标跟踪的启发。感知-行动循环是构建认知雷达环境感知、信息反馈、波形发射闭环跟踪回路的基本机制。记忆的更新、激活等功能有助于启发雷达对环境的学习、信息的存储以及对数据库或辅助知识的调用。基于注意的选择性过滤和特征整合机制,雷达可以更加高效地利用有限资源对目标进行快速处理。智能则要求雷达具有较强的学习和自适应能力,并能够及时准确地作出决策或行动。(2)针对认知雷达跟踪中目标状态感知、认知波形发射和认知接收处理三个基本问题,首先,从卡尔曼滤波算法所估计的误差协方差几何结构和物理意义入手,推导出用于描述目标感知不确定性的误差椭球体积数学表达式。然后,基于感知-行动循环思想,提出了基于最小信息熵准则的波形选择目标跟踪方法。最后,对雷达数据处理中存在的目标运动状态不确定、量测起源不确定、量测方程非线性等问题进行了研究,并给出了认知解决方法。2.认知雷达跟踪关键技术方面,具体研究了机动目标跟踪、数据关联、粒子滤波和联合检测跟踪等内容,基于最小信息熵准则的波形选择技术贯穿其中,实现了雷达接收端和发射端的联合认知。(1)机动目标跟踪方面,首先,给出了基于发射波形和天线结构的距离-距离率和方位联合量测误差协方差的克拉美罗下界(Cramer-Rao Lower Bound,CRLB)表达式,基于当前统计(Current Stastic,CS)模型研究了波形和角度联合优化的机动目标跟踪算法。然后,针对传统CS模型的设计缺陷,引入匀速(Constant Velocity,CV)模型在交互式多模型(Interacting Multiple Model,IMM)框架下与其进行交互,受人脑记忆三阶段信息处理机制启发,提出一种嵌入记忆的时变模型转移概率IMM(TIMM)算法,克服了固定模型转移概率容易引起模型间不必要竞争的问题。最后,在TIMM进行波形选择过程中,利用模型预测概率和预测位置加权得到的综合预测误差协方差进行信息反馈,避免了仅利用单个模型反馈信息容易使波形陷入局部最优的问题。(2)数据关联方面,首先,基于视觉选择性注意机制提出一种综合TIMM(Comprehensive TIMM,CTIMM)自适应关联波门设计方法,波门中心和大小通过CS和CV模型预测概率和预测位置加权获得,使关联波门可以根据目标机动自适应调整,较好地兼顾了雷达计算资源消耗和目标跟踪性能。然后,基于视觉注意特征整合机制,提出一种优化的概率数据关联(Optimized Probabilistic Data Association,OPDA)算法。该算法利用目标位置特征和运动特征的整合,对关联波门交叉区域公共量测进行分类,使多目标数据关联问题转化为多个单目标数据关联问题,从而增强了传统概率数据关联(Probabilistic Data Association,PDA)算法的环境适应性。最后,在波形选择时采用修正的Riccati方程来估计各波形的滤波误差协方差,并依据最小信息熵准则自适应地选择下一时刻的波形以提高系统跟踪性能。(3)粒子滤波方面,首先,针对传统粒子滤波常忽略目标跟踪中的不确定性而提前假定粒子样本数为一个固定值,由此可能产生或样本数过少导致精度不高,或样本数过多导致效率下降的问题,结合不确定性误差椭球理论,推导出期望滤波精度条件下粒子样本数的下限表达式,提出一种基于信息熵的自适应粒子滤波(Adaptive Particle Filter,APF)算法。然后,将波形选择与APF算法结合,提出一种APF与波形自适应扩展卡尔曼滤波(Extended Kalman Filter,EKF)并行的认知结构粒子滤波算法,该算法中APF为EKF提供每时刻滤波初始值以避免其滤波发散,EKF通过波形选择为APF提供最佳匹配最测,从而使APF能够始终以最小粒子样本数获得最佳跟踪性能。(4)联合检测跟踪方面,首先,对时延-多普勒分辨单元理论进行了深入分析,给出了高斯包络线性调频(Linear Frequency Modulation,LFM)脉冲平均检测概率和量测误差协方差的近似表达式,提出了基于最小信息熵准则的检测门限和波形联合自适应跟踪算法。然后,针对以距离-距离率和方位为量测的非线性运动目标,设计出一种具有―棱柱‖结构的时延-多普勒和方位联合分辨单元,并提出一种APF/EKF并行结构的检测门限和波形自适应跟踪算法,较好地兼顾了跟踪效率和跟踪质量。