在现代战争中,目标定位及跟踪与现代战争的信息化发展密不可分。根据在战场上获得的大量信息、数据,实现对目标的检测、定位和跟踪,为作战武器提供最为及时的目标运动信息,这样才能控制作战武器实现对目标的精准打击与围追堵截。因此,实现对目标的精确定位、跟踪,从而控制战争的发展是现代目标跟踪技术最基本的功能之一。跟踪在离散时间系统中完成,它利用对目标的估计值和量测值,对目标进行状态参数的估计。从目标跟踪角度看,目标跟踪的复杂性与两方面的原因有关,一是由于量测源的不确定性,即多目标和虚警的存在,二是由于目标模型参数的不确定性,即机动现象的产生。从系统角度看,系统跟踪性能既与滤波算法本身有关,也与系统本身的线性性有关。首先,本文对参数估计方法进行了讨论。这些方法包括最小二乘估计、最小均方误差估计及线性最小均方误差估计。线性均方滤波器是所有线性滤波器中最优的,而卡尔曼滤波(KF)是基于最小均方误差估计的算法,用递推算法来实现。其次,重点详述了线性卡尔曼滤波及扩展卡尔曼滤波并应用实测数据进行了仿真。卡尔曼滤波采用状态变量法对所研究系统进行描述。在状态变量法下,系统的输入与输出是用状态转移模型和输出观测模型来表达的,然后利用线性系统最优滤波方法,可以实现对目标状态的滤波估计。卡尔曼基本理论最初只适用于线性系统。在实际应用中,由于实测数据为目标的斜距及方位角,而线性卡尔曼滤波是以横纵坐标为基准设出状态转移模型和输出观测模型,因此用线性化方法将非线性问题转化为一个近似的线性问题进行滤波,然后利用线性卡尔曼滤波器进行滤波。最常用的方法是泰勒级数展开,以此建立扩展卡尔曼滤波器(EKF)。扩展卡尔曼滤波是最常用的非线性滤波方法,它需要求解雅可比矩阵或海森矩阵,对线性化误差较小的非线性系统比较适用,能够获得较高的滤波精度,且运算量很小,应用非常广泛。再次,对概率数据互联算法进行了详细介绍及仿真。概率数据互联算法是一种准贝叶斯算法,它认为关联波门内所有的点迹都有可能来源于目标,但这些点迹来源于目标的概率不同,根据这些点迹信息和概率进行滤波。最后,基于扩展卡尔曼滤波算法对实测数据进行了验证,并通过概率数据互联算法,处理杂波环境下的实测数据,跟踪效果较好。