针对传统的交互多模型滤波算法中存在模型概率固化导致跟踪精度不高的问题, 提出了基于改进交互多模型滤波的目标跟踪波形优化算法。首先,通过联合前后两个时刻的模型概率对概率转移矩阵进行加权来改进交互多模型滤波; 然后,基于帐篷映射以及高斯扰动对秃鹰搜索算法进行改进; 最后,在多目标场景下根据最大互信息准则, 利用改进的交互多模型滤波建立目标函数, 使用改进的秃鹰搜索算法设计出最优发射波形。仿真结果表明, 使用所提算法可显著降低跟踪误差。

针对相控阵雷达在多目标跟踪过程中的波束调度管理问题, 以及传统的波束调度问题中仅优化所有目标中误差最小的目标, 面对高机动目标会导致一些误差较大的目标不收敛甚至丢失的问题, 提出一种基于最大平均协方差的雷达波束调度算法, 并结合交互式多模型滤波(IMM)算法和相控阵雷达无惯性采样的优势, 实现对多目标的稳定跟踪的波束调度, 并探究期望协方差与过程误差协方差(噪声误差)对跟踪过程的影响。仿真实验表明: 该算法可以有效实现多个高机动目标的协方差保持在期望范围内以及实现动态收敛, 并可以通过调节期望协方差与过程误差协方差来影响跟踪过程的置信度与收敛速度, 实现多目标稳定跟踪。

针对传统的非线性滤波算法EKF在高机动、低数据率下跟踪精度下降较快和UKF在低数据率下线性化误差小但实时性差的缺点, 提出了一种基于数据率控制的交互式多模型滤波算法。该算法根据不同作战模式下目标的探测率和系统非线性大小, 自适应地分配EKF和UKF两种非线性滤波算法的加权比例, 有效克服了以往算法中仅选用单一滤波处理模型的缺陷。通过仿真验证, 所提算法有效解决了传统EKF算法在目标机动时数据率下降导致的系统跟踪精度和稳定性下降太快的问题, 相比UKF算法在机动段目标跟踪精度下降不多的情况下大大缩短了运行时间, 减少了雷达资源消耗。

为提高非高斯噪声条件下机动目标跟踪的精度，提出基于交互式多模型极限迭代无偏有限脉冲响应滤波（IMM-极限迭代UFIR）算法。采用对噪声统计特性不敏感的极限迭代无偏有限脉冲响应滤波（UFIR）作为其子滤波器，对各模型进行状态估计，最后通过对各模型的输出结果综合得到机动目标状态。仿真结果表明，在噪声条件复杂的情况下，该算法比交互式多模型卡尔曼滤波（IMM-KF）具有更高的跟踪精度和稳定性，计算量小于IMM-PF，算法能较好地兼顾跟踪精度和计算量两方面性能。

针对红外制导导弹无法直接测量弹目距离、视线角速度及目标加速度等制导信息, 且单枚导弹的可观测量少, 目标定位误差大的问题, 考虑红外导引头的测量特性, 利用多枚导弹与目标的几何关系对目标进行协同定位。建立多枚导弹对目标的协同跟踪模型, 通过计算导弹间相对运动关系估算弹目距离, 并将其作为伪量测量, 结合导引头测角信息构建新的量测方程, 利用卡尔曼滤波估计出弹目距离和视线角速度等制导信息。针对机动目标, 研究了一种基于交互式多模型滤波方法, 利用多个目标机动模型加权融合的方法来估计真实目标机动模型。数学仿真表明该方法有效提高了对固定/机动目标的估计精度。

针对非线性系统中的目标跟踪问题, 在机动转弯模型的基础上提出容积卡尔曼滤波(CKF)与自适应网格(AG)思想相结合的变结构多模型(VSMM)算法, 即基于CKF的自适应网格交互式多模型算法(CKF-AGIMM)。该算法将CKF作为滤波器, 利用网格中心和网格最小间距的调整对转弯模型集进行自适应变化以有效跟踪目标。与基于容积卡尔曼滤波的交互式多模型算法(IMMCKF)进行了仿真对比。实验结果表明, 在未增加运行时间的情况下, 该算法相比于IMMCKF算法有更高的跟踪精度与稳定性。

光电与雷达的数据融合能够实现两个独立传感器测量信息的互补, 改善对目标的识别跟踪能力。针对联合传感器系统对动态运动目标定位中存在野值的现象, 同时为了解决单一传感器滤波跟踪发散的问题, 提出一种具有抗野值性能的交互式多模型无迹卡尔曼滤波(IMM-UKF)融合算法。在两坐标雷达提供目标距离与方位角的前提下, 建立参数求解模型, 得到目标的俯仰角, 结合光电传感器提供的角度信息进行滤波融合。实验与仿真结果表明: 该算法可以有效融合雷达与光电的测量数据, 排除野值的干扰, 抑制滤波发散, 提高定位精度。

分析目标运动参数滤波算法在光电跟踪控制系统中的作用, 在交互式多模型算法的基础上, 提出了该算法在光电跟踪控制系统中的应用问题, 并建立了在光电跟踪控制系统中使用的仿真模型, 通过仿真环境下光电跟踪控制系统对不同目标跟踪的数据分析可知, 该算法可作为光电跟踪控制系统中复合控制前馈数据的获取算法使用, 光电跟踪控制系统采用交互式多模型算法比采用α-β-γ滤波算法更适合对机动目标的跟踪。

标签多伯努利(LMB)滤波器在传统多伯努利滤波器基础上引入标签空间, 能够实现真正意义上的多目标轨迹级滤波.文章对红外小目标的运动和量测进行建模, 将标签多伯努利应用到红外小目标检测前跟踪领域.在此基础上, 为了实现对运动模型时变目标的检测前跟踪, 将交互式多模型(IMM)与LMB检测前跟踪算法相结合, 提出IMM-LMB检测前跟踪算法.此外, 给出了该算法的序贯蒙特卡罗实现.仿真结果表明, 所提算法能够从输入的原始图像中直接实现轨迹级多目标检测和跟踪, 且能够在线更新多模型概率, 更好的适应多机动目标场景.

空中交通警戒与防撞系统(TCAS)是航空电子综合环境监视系统的一个重要组成部分，它能有效降低空中飞行器间的碰撞威胁，对于提高飞行安全有着非常重要的意义。TCAS 是一种不依赖地面设备的空中交通防撞系统。它能够探测在其领域内装有空中交通管制应答机的飞机，向驾驶员报告潜在的相撞目标。目标跟踪是TCAS 的一个重要模块，能提供目标的飞行状态信息，并对目标的未来飞行状态进行预测。对空中目标进行稳定、高精确度的跟踪是目标跟踪模块的重要任务。本文介绍了基于扩展卡尔曼和交互式多模型(IMM-EKF)的目标跟踪算法，实现对目标的精确跟踪。通过仿真验证，证明算法能实现精确的目标跟踪，对防止空中相撞起到了积极作用。