系统模型和滤波器设计是定位跟踪的关键技术。随着人们对定位跟踪系统模型研究的不断深入，各种面向复杂应用背景的系统模型随之大量涌现，各种各样的数字滤波算法应运而生。其中混合线性/非线性系统模型逐渐成为定位跟踪的常用模型。传统用于此类模型的扩展卡尔曼滤波器(EKF)和粒子滤波器(PF)在滤波性能上都不可避免地存在严重缺陷，为了使无线定位跟踪技术达到高精度、无缝性以及高实时性的要求，需要设计出一种普遍适用的组合滤波算法。该算法融合了PF和EKF的技术优点，在处理混合线性/非线性模型问题上，能使滤波精度和计算时间获得较好的平衡。并且针对在信号临界区域使用单一观测信号导致定位精度衰减问题，把该算法用于多信号融合的目标跟踪当中，实现无线定位真正意义上的无缝覆盖。　　 针对上述问题，论文首先分析了EKF与PF在单独处理混合线性/非线性问题上的原理、各自特点与优势；然后讨论了组合滤波在不同种类的混合线性/非线性模型中的实现原理并成功把组合滤波应用于机动目标跟踪的线性/非线性模型当中；接着利用检测概率模型把PF算法改进为一种TOA/TDOA的融合定位算法；最后针对受无线蜂窝网信号(WCN)、无线局域网信号(WLAN)和卫星定位信号(GIPS)覆盖的信号临界区域，将检测概率模型推广到多维信号情况，把TOA/TDOA的融合算法改进为多信号融合算法，并与组合滤波算法相结合给出一种用于复杂定位环境的基于组合滤波的多信号融合跟踪算法。　　 通过使用不同粒子数组对组合滤波算法进行仿真分析，把组合滤波与PF、EKF比较发现，组合滤波在保证一定精度的前提下大大缩短了滤波的计算时间，即在跟踪精度和滤波时间上取得了较好的平衡；另外，仿真数据表明基于PF的TOA/TDOA融合算法在信号临界区域的定位精度相比使用单一TOA或者TDOA观测方式的定位精度有了明显提高；最后，通过误差分析和时间计算，证明基于组合滤波模型的数据融合算法在多信号覆盖的信号临界区域的跟踪精度和滤波时间均优于PF和EKF。