目标跟踪理论自从上世纪50年代诞生以来,已在弹道导弹防御、战场监视、精确制导、空中交通管制、导航、机器人视觉等军事和民用领域取得了广泛的应用。目标跟踪最基本的问题是通过处理被噪声污染的有关目标状态的观测信息来实时准确地进行目标运动状态的估计,即状态最优估计问题。本文首先介绍了目标跟踪系统的基本概念、结构、原理以及需要解决的基本问题。接着讨论了作为跟踪问题基础的线性估计理论的一些结果和线性随机系统的空间模型,并由此引入卡尔曼滤波的研究。作为一种以最小均方误差为准则的线性最优状态滤波,卡尔曼滤波算法是现阶段雷达中最常用的跟踪算法,在雷达的跟踪算法中占据了主导地位。但是由于其要求系统为线性模型,而实际往往不满足,本文研究了针对非线性系统的扩展卡尔曼滤波。扩展卡尔曼滤波是通过泰勒级数展开将非线性模型线性近似化处理的次最优滤波,其雅可比矩阵的计算量很大,不易得到。针对卡尔曼滤波等算法的计算量大的缺点,本文研究了结构简单、工程上常用的α-β滤波算法。之后本文讨论了对于将要进行滤波处理的雷达原始数据的预处理,包括野值判别与剔除、量测去偏转化。本文还研究了信息融合理论中的数据关联方法,数据关联过程是确定雷达接收的量测信息和目标源对应关联的过程。本文探讨了便于实现、计算量小的最近邻方法,但它在信噪比不太高、杂波密集的环境下效果比较差。并结合某项目,进行了目标跟踪理论的具体实际应用。最后,对于本文的不足,进行了总结与展望。