提高机动目标的跟踪精度，具有十分重要的意义。机动目标跟踪主要包含状态估计和数据关联技术。设计优良的机动模型，选择适当的模型集合和稳健的滤波算法以及合适的数据关联技术，对于提高目标跟踪的精度起到关键作用。本文从上述四个方面入手，首先分析了传统的“当前”统计模型及其方差自适应算法的优缺点，研究了如何自适应调整模型参数以及克服卡尔曼滤波框架固有不足来提高其跟踪性能；然后针对转弯机动目标跟踪，研究了如何提高曲线模型和恒速转弯模型的状态估计精度。其次，详细阐述了三类通用的模型集合设计方法，提出利用数论方法进行模型集合设计。再者，介绍了三种常用的非线性滤波器，研究了不敏卡尔曼滤波采样策略及其混合滤波算法。最后，详细介绍了单脉冲雷达的多目标检测技术和多目标数据关联技术，提出利用多目标的检测结果来提高多目标跟踪的数据关联精度的方法。本文的主要工作和贡献如下：1．提出了一种改进的当前统计模型自适应强跟踪算法，在保持对一般机动目标良好跟踪性能的基础上，增强了系统对强机动目标的跟踪能力。算法中首先根据量测残差统计距离的概率分布设置机动检测门限，将目标机动状态实时划分为不同等级，根据机动状态自适应地调整模型参数和滤波器协方差加权因子，提高了机动模型和系统模式的匹配程度，克服了卡尔曼滤波器对突变状态响应上存在的固有的不足。2．提出了两种针对转弯机动目标的自适应跟踪算法—曲线模型的自适应跟踪算法和基于转弯模型的两层IMM跟踪算法。即通过利用目标的速度方向角度、角速度和角加速度参数之间的物理关系，应用多模型方法对速度方向角度进行滤波可以获得目标的角速度估计值。把方向角滤波方法与曲线模型算法和恒速转弯多模型方法相结合，提高了转弯机动目标的跟踪性能，同时也给出了比较准确的角速度估计。3．提出利用数论方法进行模型集合设计。即在最小概率分布误匹配的指导下，采用数论网格的方法获得代表系统模式概率分布的F-偏差代表点(或伪F-偏差代表点)和均方差代表点，由这些代表点构成代表系统模式的模型集合。4．针对不敏卡尔曼滤波器，将其2n+1个粒子点的最小对称采样策略，推广到具有2kn+1个粒子点的对称采样策略，利用更多的样本点来提高滤波性能。并指出应用UKF滤波器提高滤波性能的两个方向：一是引入迭代滤波和残差滤波等传统方法，另一是结合其它非线性滤波器进行混合滤波方法，后者又可分为序贯混合滤波方法和交互混合滤波方法。通过实验对非线性滤波器的滤波性能作了比较和分析。5．提出把单脉冲雷达的多目标的检测技术与联合概率数据关联技术相结合，通过确定量测起源克服了关联算法的可行事件假设局限性，扩大了联合概率数据关联技术的应用范围，提高了多目标环境下的目标跟踪性能。