在军事和民用领域中,越来越注重目标跟踪技术的可靠性和精确性。由于运动目标具有复杂性、随机性和多样性,对运动目标进行跟踪也因此成为了一个具有挑战性的问题,不管在理论上和实践上都有较高的技术难度。本论文首先研究了针对线性系统的卡尔曼滤波(KF),它的状态模型和观测模型都是线性的,而实际系统多为非线性。对非线性的状态模型和观测模型,常用的是扩展卡尔曼滤波(EKF)。首先需要将这些模型进行线性化处理而成为线性模型,在此基础上再应用卡尔曼滤波进行估计。但是EKF算法在线性化过程中所产生的大量误差,很容易导致滤波发散。针对这种现象,提出了不敏卡尔曼滤波(UKF)算法,该算法用典型的粒子点来近似非线性函数的概率分布,克服了EKF算法的线性化误差,具有更高的滤波精度。对于基于UKF算法所建立的水下目标跟踪系统,论文针对在不同情况下完成对目标各种运动状态准确估计的仿真。根据仿真结果,将UKF跟踪滤波与EKF跟踪滤波进行对比分析,验证UKF的跟踪滤波性能要优于EKF。对于机动性较强的目标,利用交互式多模型(IMM)算法可以很好的解决跟踪问题。通过高机动性目标进行IMM-UKF算法的跟踪滤波仿真,验证了IMM-UKF滤波算法具有较高的估计精度和收敛性。但是计算时间远大于UKF算法,对实时处理提出了更高的要求。对于水中高速运动目标跟踪系统来讲,实时处理乃是必须的。本论文将UKF算法结合高速处理器TMS320C64x系列DSP进行实时跟踪处理。运行结果表明UKF算法滤波对高速机动目标实时跟踪的较好效果。