随着科学技术的发展、军事以及民用方面日益增长的需要,混合系统估计理论在机动目标跟踪、故障诊断与识别、语音信号识别等具有Markov跳变特性的混合系统中均得到了应用,因此混合系统估计成为多源信息融合领域中一个非常重要的分支。如何从混合系统中获得精确的、可靠的、稳定的估计结果显得尤为重要,因此完善和改进基于Markov跳变混合系统的估计算法具有重要的理论意义和较高的应用价值。而多模型算法的出现为解决Markov跳变混合系统的状态估计问题提供了适合的解决方案,随着多模型算法的基础理论不断发展和完善,多模型算法逐渐成为混合系统状态估计的主流算法。为了验证多模型算法在Markov跳变混合系统中的估计性能,首先给出具有Markov跳变特性的机动目标跟踪系统通用模型,包含CV模型、CA模型、CT模型及蛇形机动模型,在此基础上分别对系统估计中的EKF、UKF及PF滤波算法进行仿真对比分析。其次,研究了定结构多模型算法,分析了静态多模型算法及动态多模型算法,并介绍最具代表性的交互式多模型(Interacting Multiple Model,IMM)算法。IMM算法因其具有极高的效费比而被广泛的应用在具有模式跳变的混合系统中。近年来,学者们将IMM算法和粒子滤波算法的优点结合在一起,用来解决具有模式跳变特性的非线性、非高斯混合系统的状态估计问题,因此交互式多模型粒子滤波(Interacting Multiple Model Particle Filter,IMMPF)算法得到了研究者们越来越多的关注。针对传统IMMPF算法中的粒子退化现象和引入重采样过程所引发的粒子多样性消失,导致当混合系统的真实模式频繁发生变化时,使用IMMPF算法得到的估计结果会产生较大的峰值误差的问题,提出交互式多模型粒子滤波优化重采样(Interacting Multiple Model Particle FilterOptimizationResampling,IMMPFOR)算法,同时对机动目标跟踪的仿真实验证明,该算法与传统的IMMPF算法相比可以获得更小的稳态误差和峰值误差。最后,研究了变结构多模型(Variable Structure Multiple Model,VSMM)算法,分析了模型组切换算法、可能模型集算法及期望模式增广算法等已有多模型算法的优缺点。结合现有的VSMM算法中的模型集自适应方案,利用Kullback-Leiber(KL)准则和期望模型方法提出了一种改进的变结构多模型算法。通过机动目标跟踪的仿真对比实验,验证了该算法在保证估计性能的同时减少了系统的计算负担,具有很高的效费比。