随着现代科学技术和工程技术的发展，目标跟踪理论形成了经典的维纳滤波(频域法)和近代卡尔曼滤波(状态空间法)的两大理论体系。目前卡尔曼滤波理论基本上取代了维纳滤波理论，经典的维纳滤波方法基本上不适应现代目标跟踪系统的需求。在目标跟踪领域，最常用的经典滤波算法是卡尔曼滤波(KF， Kalman Filter)和扩展卡尔曼滤波(EKF， Extended Kalman Filter)，其中前者用于线性系统，后者用于非线性系统。KF是最小均方意义下的最优滤波算法，EKF则是利用一阶泰勒展开将非线性系统线性化而得到的一种次优滤波算法，在非线性小是特别严重的情况下，EKF有着近似最优的滤波效果。目标跟踪技术中的关键技术包括数据关联技术和滤波算法。本文针对目标跟踪技术中的关键技术进行了详细的研究。 本文首先介绍了数据融合的基本原理以及目标跟踪的基本原理。线性的滤波算法卡尔曼滤波（KF），详细介绍了算法的基本原理和算法过程。卡尔曼滤波算法是在线性、高斯的情况下能很好的满足目标跟踪的性能，然而对非线性、非高斯的情况滤波方法的指标下降。针对非线性、非高斯的情况，详细介绍了粒子滤波算法，阐述了其基本原理和关键技术。 其次本文着重分析了粒子滤波算法。粒子滤波是一种基于蒙特卡罗方法和递推贝叶斯估计的统计滤波方法，它依据大数定理采用蒙特卡罗方法来求解贝叶斯估计中的积分运算。并介绍了粒子滤波算法的优缺点，以及粒子滤波算法的改进方向，其改进的方向主要是重要性密度函数的选取和利用重采样技术，来减少标准粒子滤波算法粒子退化现象，针对粒子滤波算法的缺点，引进了一种改进的粒子滤波算法—正则粒子滤波算法，该算法是基于正则再采样技术而改进的一种算法即根据后验密度的离散分布重建它的连续分布，然后从后验分布的连续近似中采样获得再采样粒子。从而能减少粒子的退化现象。通过仿真实验表明该算法在有较好的跟踪精度。 再次本文介绍了数据关联技术，详细介绍了联合数据关联和交互多模型方法，介绍了其基本原理。并在交互多模型算法中，把正则粒子滤波算法代替了卡尔曼滤波算法。通过实验仿真对单目标和多目标进行了跟踪，分别应用了卡尔曼滤波、粒子滤波和正则粒子滤波算法，实验结果表明正则粒子滤波算法明显的提高了跟踪效果和跟踪精度。然后VC++结合MATLAB完成了软件设计。 最后，给出了结论与展望，总结了所做的主要工作和指出了下一步有待研究解决的内容。