作为科学技术的一个重要领域，目标跟踪问题最早可以追溯到1937年第一部跟踪雷达站SCR-28出现的时候。但直到70年代，卡尔曼滤波理论被成功应用在目标跟踪领域后，目标跟踪技术才引起人们的普遍关注与极大的兴趣[15]。此后的几十年，许多科学家和工程师一直致力于该课题的研究。随着科学技术的发展，各种类型（如雷达、声纳、激光、红外等）目标跟踪系统相继得到发展完善，出现了比如扩展卡尔曼滤波、粒子滤波、多模型、多速率处理等新的滤波理论。目标跟踪结合这些技术至今，其功能越来越完善，结构越来越复杂，所采用的技术也越来越先进[16]。
当前机动目标跟踪算法可以分成两类：单模型（SM）和多模型（MM）算法。SM算法一次只使用一个模型，受到模型自身局限性的影响，使用单一、固定的模型会存在与实际目标动力学不匹配的情况，很难准确的描述目标的准确运动情况，跟踪精度不高。MM算法在同一时刻使用多个模型来表示可能的系统模式，每个模型使用自己独立的滤波器，其整体估计由所有滤波器的估计按一定规则组合得出。因为MM算法具有其独有的数据处理结构以及将复杂问题简化的能力[17]，近年来受到很大的重视。9228
第一代MM算法由D. T. Magill提出，后人又提出基于这种算法的改进算法，这些算法被称为静态多模型（SMM）算法[18]。SMM算法考虑系统模型之间的跳变，它基于各个模型的滤波器并行工作，但各个滤波器之间没有交互。这些算法只有在处理时不变的未知系统时才有效，不能用于系统模式频繁跳换的问题。
第二代MM算法在第一代的基础上，在各个模型之间进行了交互，而且考虑了系统的跳变，一般假设系统模式是马尔可夫或者半马尔可夫过程。代表算法有广义伪贝叶斯（GPB）算法和IMM算法。
IMM算法的提出，是MM算法发展的一个里程碑。当前对机动目标跟踪算法的研究主要集中在IMM算法，它已被证明是目前混合系统算法中性价比最好的算法[19],并且易于实现。IMM算法的基本思想是使用不同模型匹配目标不同的运动状态，代表各个模型的滤波器并行工作，并假设各模型之间的切换满足马尔可夫过程，最终的估计结果为各模型估计的加权和。
IMM算法的一个关键因素是目标运动模型，它应尽可能真实地反映目标的实际机动情况。标准IMM算法的模型集是固定的。对IMM算法中机动模型的研究是当前的热点[7]。目前常用的模型有匀速（CV）模型、匀加速（CA）模型，辛格（Singer）模型以及我国学者周宏仁提出的“当前”统计（CS）模型，除此之外，还有转弯（CT）模型等。
另外，IMM算法需先验确定模型之间的切换概率，但是这种先验切换概率很难获得，这导致IMM算法的使用和跟踪精度都受到限制。目前常使用AIMM算法，利用模式的状态相关性对模型进行修正，改善了跟踪的性能，但需要根据目标运动特性预先确定目标加速度，跟踪性能受加速度估计值影响很大[20]。Li X R和Kirubarajan等[21]在指出定结构MM算法的不足之后，直接对交互式模型进行改变，提出了VSMM算法，在不同的时刻选用不同的模型集。不足的是此算法结构较复杂，计算量较大。
近几年，神经网络、模糊推理等软计算方法被应用到机动目标跟踪中，用以克服现有算法计算量大和对先验知识要求高的缺陷。引入神经网络的IMM算法可以利用神经网络对所选取的具体模型的参数进行调整[22]。模糊推理可用来确定各模型的匹配度，含有很多模型的IMM算法较宜使用模糊逻辑确定使用模型的后验概率，也就是基于模糊逻辑的IMM算法[ 目标跟踪算法的发展及研究现状:http://www.youerw.com/yanjiu/lunwen_7869.html