目标跟踪技术普遍应用于军事与民用领域,而滤波算法是其重要组成部分,因此受到了广泛关注与研究。迭代扩展卡尔曼滤波(IteratedExtendedKalmanFilter,IEKF)是一种性能较为优越的滤波算法,该算法结构简单,滤波精度较高,鲁棒性较强,本文对IEKF算法展开相应的研究,其主要工作如下:(1)分析了几种典型的非线性滤波算法,主要包括扩展卡尔曼滤波(ExtendedKalmanFilter,EKF)算法、无迹卡尔曼滤波(UnscentedKalmanFilter,UKF)算法和粒子滤波(ParticleFilter,PF)算法,并对算法原理和优缺点进行了阐述,最后通过数值仿真实验对上述滤波算法的性能进行了评估。(2)针对IEKF算法在系统模型失配或噪声时变情况下易出现滤波精度下降甚至滤波发散的问题,提出了一种基于多重渐消因子的自适应IEKF算法。该算法以IEKF算法为框架,通过一个基于正态分布的限定记忆新息协方差估值器,获得更准确的新息协方差估计值,进而提高渐消因子的求取精度;根据估计均方误差矩阵的特性,引入多重渐消因子对一步预测协方差矩阵的各滤波通道进行调节,以增强算法的抗干扰能力;依照X~2检验原理判断系统是否异常,仅在系统异常时才引入多重渐消因子;利用目标与观测站间的径向距离和方位角信息构造参变量,并根据相对定位误差关系预先设定阈值,当所构参变量小于阈值时,终止迭代,实现了IEKF算法迭代次数的自适应控制。将改进算法应用于模型失配、系统噪声时变和量测噪声时变下的目标跟踪数值仿真实验,实验结果表明改进算法有效提升了滤波精度,鲁棒性也进一步提升。(3)针对IEKF算法在非高斯噪声情况下存在的不足,提出一种结合粒子滤波的自适应IEKF算法。该算法利用自适应IEKF算法来产生重要性密度函数,由于自适应IEKF算法能根据新近量测信息实时调整迭代次数以获得更高精度的状态估计,所以产生的重要性密度函数更接近真实的后验分布,然后再利用粒子滤波算法得到滤波估计值。将改进算法应用于非高斯噪声下的非线性系统仿真实验和闪烁噪声下的目标跟踪数值仿真实验,实验结果表明改进算法有着较好的滤波性能。