本文将机动目标跟踪技术应用于机场场面活动目标跟踪,重点对关键技术交互式多模型算法进行理论研究与改进。首先从建模和滤波算法两方面对机动目标跟踪技术的基本方法进行理论分析。主要分析了四种常用的机动目标跟踪模型,即曲线运动模型、Singer模型、当前统计模型、多模型,和三种经典的滤波器,即卡尔曼滤波器、扩展卡尔曼滤波器、粒子滤波器。总结了卡尔曼滤波器在机动目标跟踪中的具体运用及发展;详细阐述了粒子滤波的基本原理、理论缺陷和解决办法。其次将机动目标跟踪技术应用于机场场面目标跟踪。通过分析机场场面活动目标的背景及运动特点,结合地面目标跟踪技术的相关研究成果,设计了场面单目标跟踪器。机场场面有大量先验信息可以用于提高跟踪器的性能,这些先验信息包括路面网络结构、机场对场面活动目标的运动限制等。为了将这些先验信息与估计器融合,在传统跟踪器的基础上,新增了量测值预处理、模型调整、输出优化三个模块。理论分析和仿真结果证明,这些模块提高了跟踪器性能。另外,设计了基于场面地图信息的交互式多模型算法,包括模型集设计、模型集自适应方法。理论分析和仿真表明,与传统交互式多模型算法相比,该算法有更高的鲁棒性。然后针对交互式多模型算法模型失配导致的似然度估计不精确,提出了一种联合似然估计方法。该方法将基于失配模型的实际新息分解为基于匹配模型的理论新息与匹配和失配模型之间的距离之和,由上述两个已知的概率密度函数的卷积可得实际新息序列的联合似然度,再利用条件概率公式求解模型似然度。与传统的交互式多模型算法相比,新算法提高了模型似然度的估计精度,降低了系统估计误差。理论分析和仿真结果证明了该算法的有效性。最后针对噪声分布未知环境下的非线性目标跟踪,提出了基于卷积粒子滤波的交互式多模型算法。该算法利用卷积粒子滤波器并行地运行多个模型,对前一时刻每个模型的状态后验概率密度进行交互,从交互后的概率密度中采样作为当前时刻滤波器的初始粒子,对当前时刻每个模型的状态后验概率密度进行加权作为系统输出。与基于粒子滤波的交互式多模型算法(IMM-PF)相比,新算法提高了效费比、消除了IMM-PF对量测噪声分布的依赖。理论分析和仿真结果证明了该算法的有效性。