目标跟踪,就是指对特定目标进行监视,从而获取目标在坐标系中的位置、运动参数以及运动轨迹。机动目标跟踪理论在国防和民用等领域都具有重要的应用价值。机动目标模型建立后,需要对跟踪系统的核心部分也就是目标跟踪算法进行设计,而传统的卡尔曼滤波算法局限性强,非线性系统滤波问题得不到解决,后来提出的扩展卡尔曼滤波(EKF),也在一些非线性系统中无法应用。近几年的发展粒子滤波(PF)受到越来越多领域研究者的重视,因为粒子滤波对环境具有低要求性。随后Julier等人提出了无迹卡尔曼滤波(UKF)算法,该算法精度高于EKF算法且计算量又明显小于粒子滤波算法(PF)。但是困扰UKF算法主要问题就是噪声统计特性未知时,UKF滤波精度下降甚至发散。各国学者以上问题提出了各种自适应滤波算法,但其中极大似然法得到较为广泛的研究。但是在通常情况下,直接得到系统未知参数的点估计是十分困难的,最大期望(EM)算法是这样在概率模型中寻找参数极大似然或极大后验估计的算法,使用EM算法,使噪声二阶矩的计算简便,推导过程直观,从而简化噪声参数的估计过程。本文所做的工作主要有以下几点：(1)在PF算法基础上,利用极大似然准则,构造含有噪声统计参数的对数似然函数,并通过最大期望算法,将噪声估计问题转化为对数似然函数数学期望极大化问题,得到基于极大似然准则和EM算法的自适应PF算法,然后进行MATLAB仿真实验来对算法进行验证,最后得到基于高斯噪声情况下过程噪声未知的自适应估计。(2)基于上面的基础上,将其扩展到非高斯情况如闪烁噪声情况下,利用PF算法与EM算法的结合对过程噪声里的参数进行自适应估计。同时将本文所提出的方法与在闪烁情况下UKF算法和EM算法的结合实例进行MATLAB仿真分析对比比较,分析两种方法的优缺点。仿真分析表明,与已经实现的自适应UKF算法,新提出的自适应PF算法有效克服了UKF算法在系统噪声为非高斯情况下滤波精度下降的问题,并实现了系统噪声统计特性的在线估计。