目标跟踪在民用和军用领域有着重要而明确的工程应用背景,其基本问题是如何根据观测数据实时准确地估计目标运动状态,即状态最优估计问题。在实际跟踪问题中,由于物理(规律)原理、目标运动特性和系统需求等因素,目标运动状态和外部干扰都不可避免地受到各种约束条件影响。传统的跟踪滤波方法,如线性系统的卡尔曼滤波和非线性系统的扩展卡尔曼滤波,虽然可以快速地跟踪运动目标,但是由于没有考虑实际跟踪系统中存在的物理约束,导致估计结果不准确,甚至不符合实际状态。针对这一情况,本文开展了滚动时域估计算法的研究及其在目标跟踪中的应用。针对目标跟踪问题中广泛存在的约束条件和非线性特性,分析滚动时域估计方法的优势和特点,讨论如何合理地设计不等式约束条件以降低跟踪模型精度要求和适应各种物理规律,并讨论了到达代价设计或近似的方法及保证估计器稳定的条件。对目标跟踪问题,从简单的线性情况到复杂的非线性情况由浅入深地进行滚动时域估计方法的应用研究。针对带约束的线性目标跟踪问题,利用卡尔曼滤波协方差更新近似逼近带约束线性系统的到达代价,从而将全时域状态优化估计转化为有限时域状态优化估计。根据数值实例分析可得,滚动时域估计在优化问题中考虑约束条件的影响,相比卡尔曼滤波具有更高的估计精度。针对带约束的非线性目标跟踪问题,滚动时域估计对模型线性化后用扩展卡尔曼滤波协方差更新计算近似到达代价；也可利用无迹变换和sigma采样点计算协方差,进而计算近似到达代价。当约束不起作用时,sigma点的选择与无迹卡尔曼滤波相同；当约束作用时,对sigma点的选择进行适当修改以满足约束条件。基于无迹卡尔曼滤波的滚动时域估计避免了对模型的线性化,减少了模型线性化带来的误差。从数值实例中可以看出,基于无迹卡尔曼滤波的滚动时域估计比基于扩展卡尔曼滤波的滚动时域估计具有的更好的跟踪效果。滚动时域估计将目标跟踪问题转化为带约束的最优化问题,估计精度更高,求解也更复杂,但由于能够在有限时域内计算到达代价,减少了计算负担,在离线处理和实时应用上都有着较好的应用前景。