摘要：海上目标距离探测和跟踪是海洋安全和军事应用中的关键任务之一，针对复杂海面环境在海杂波等影响因素下目标距离测量精度低的问题，提出了一种改进的多传感器数据融合算法。该算法利用海面舰船雷达及陆地雷达联合探测结果，先对多个数据源数据进行坐标系转换，利用Robust Z-score方法进行纵向数据预处理剔除异常数据，再通过重新定义置信距离度量，将置信度较高的传感器结果代替被踢除数据后，对结果进行自适应加权融合。同时，为了进一步提高数据精度，引入了一种分段融合机制，将改进的传感器数据融合算法与阶梯式自适应加权融合算法进行级联，通过度量各分段融合结果的相似度，设定一个置信阈值，通过该置信阈值确定最终的融合结果。仿真实验结果证实了算法的有效性和准确性。

摘要：由于现有的简单的转移概率矩阵会导致跟踪精度不高，复杂的转移概率矩阵会导致跟踪时间过长，难以满足三维空间中机动目标跟踪要求。针对转移概率矩阵的设计问题，从机理分析入手，提出了一种基于隶属度函数的模型转移概率矩阵设计方法，并对三维交互式多模型算法进行了改进完善。仿真结果表明，依据隶属度函数修正转移概率矩阵的方法有效提高了三维机动目标的跟踪精度。

摘要：针对传感器存在系统偏差且噪声非高斯条件下目标状态估计精度较差的问题，提出一种有偏量测下基于最大相关熵卡尔曼滤波（Maximum Correntropy Kalman Filter， MCKF）的目标跟踪方法。该方法通过引入差分机制，利用目标相邻时刻的有偏量测之差构建差分量测方程，有效克服了系统偏差的影响。随后基于最大相关熵准则（Maximum Correntropy Criterion， MCC）量化估计误差的高阶矩信息，并以差分量测为先验条件推导出有偏量测下算法的滤波迭代方程。仿真结果表明，当系统观测值受传感器系统偏差和非高斯噪声干扰时，与现有方法相比，所提方法具有更好的跟踪性能。

摘要：机动目标跟踪结果在时间轴上的滞后问题是当前机动目标跟踪领域的一大难点。产生时滞的情况很多，一般在跟踪初期和发生较大机动的时间段内尤为明显，常常会因此出现误差高峰。如果能有方法抑制或者消除时滞现象，将能显著提高跟踪效果。从仿真实验的结果和现象入手，结合卡尔曼滤波理论、交互式多模型算法和现代神经网络模型对时滞问题进行剖析，根据跟踪各个阶段情况的变化，分析时滞产生的不同原因，并提出可能的解决方法，以期为提高机动目标跟踪效果提供参考。