水下无人航行器(Unmanned Underwater Vehicle，UUV)受到海洋军事工程领域专家和学者们的极大关注。作为一种可以由潜艇和水面舰艇搭载的新型水下无人作战平台，UUV通常依靠所携带的被动声纳进行水下纯方位角目标跟踪(Bearing Only Target Tracking，BOTT)，估计目标的运动参数，并规划机动航路完成攻击使命。因此研究具有高精度和稳定性的BOTT方法及攻击机动策略成为亟待解决的重要问题，具有重要的理论意义与应用价值。　　本文深入研究UUV的水下BOTT滤波估计算法，根据命中目标等概率圆原理实时计算UUV的攻击阵位，通过设计控制算法使UUV完成目标攻击任务。主要完成了以下几个方面的研究工作：　　建立BOTT系统的过程模型及声纳观测模型，对BOTT系统进行可观测性分析，并建立UUV的运动学及动力学模型，为后续的UUV目标跟踪及攻击策略研究奠定基础。　　针对传统扩展 Kalman滤波(Extended Kalman Filter,EKF)求解 BOTT问题时可能出现预测协方差矩阵不可逆导致状态估计发散及计算过程繁琐的问题，提出一种适用于BOTT系统的差分-卡尔曼滤波(Divided Difference-Kalman Filter，DD-KF)算法。利用差分滤波(Divided Difference Filter，DDF)处理声纳非线性测量模型，使用Stirling差值法线性化模型中的非线性项，结合Kalman滤波(Kalman Filter，KF)设计一阶DD-KF(DD-KF1)算法和二阶DD-KF(DD-KF2)算法。Monte Carlo仿真实验表明，所提出的DD-KF算法不仅简化了跟踪的计算过程，而且跟踪的精度及稳定性都要优于EKF。　　针对DD-KF算法中系统噪声特性与实际特性不匹配导致跟踪精度不高甚至发散的问题，结合非线性支持向量机，提出基于支持向量回归机的自适应DD-KF(Support Vector Regression Adaptive Divided Difference-Kalman Filter,SVRADD-KF)算法。利用非线性支持向量回归机对新息的理论协方差与实际协方差差值进行函数拟合，得到新息与噪声统计特性自适应因子之间的函数关系，使噪声统计特性接近于实际噪声。Monte Carlo仿真实验表明SVRADD-KF算法不受初始系统噪声统计特性参数选取的影响，具有较高的估计精度及鲁棒性。　　针对非稳态非高斯测量噪声(闪烁噪声)条件下，传统粒子滤波(Particle Filter，PF)算法因粒子退化现象严重导致的目标状态估计精度低甚至严重发散问题，结合DD-KF算法，提出适用于BOTT的差分-卡尔曼-粒子滤波(Divided Difference-Kalman F-Particle Filter，DD-KF-PF)算法。利用DD-KF生成粒子建议分布，将最新测量值信息融入建议分布的计算，采用高斯混合密度函数近似粒子似然函数，改善粒子退化现象。不同粒子数下的Monte Carlo仿真实验表明，随着粒子数的增加，DD-KF-PF算法的跟踪性能得到提升。　　针对UUV的目标攻击问题，引入潜艇水下目标攻击机动航路规划方法，基于目标状态估计值规划机动航路，利用三角函数求解法计算等概率圆上的最佳攻击阵位，基于欠驱动UUV整体模型提出一种新型级联反步控制。并基于平行目标(Constant Bearing,CB)导引算法，设计欠驱动级联导引跟踪控制使UUV跟踪机动航路，证明了导引控制闭环系统的全局一致渐近稳定。综合数值仿真试验表明，所设计航路规划和跟踪控制算法能够使 UUV很好地完成目标跟踪与攻击任务。