目标跟踪问题实际上就是目标状态的跟踪滤波问题，即根据传感器己获得的目标量测数据对目标状态进行精确的估计。
1960年卡尔曼提出了卡尔曼滤波(KF)理论[9]，首次将现代控制理论中的状态空间思想引入最优滤波理论，有状态方程描述系统动态模型，用观测方程描述系统观测模型，并可处理时变系统、非平稳信号和多文信号。但由于卡尔曼滤波只适用于线性系统，Sunahara等人提出并研究了扩展卡尔曼滤波(EKF)[10]，将卡尔曼滤波理论进一步应用于非线性领域里。但EKF仅利用非线性函数泰勒展开的一阶项，当系统高度非线性或非高斯时，EKF方法将导致滤波发散。后来提出了伪线性卡尔曼滤波（PLKF）的概念，其实质是根据测量值适时改变测量矩阵，从而改变客观性，这种算法的主要特征是，算法稳定、计算简单和易于实现，但PLKF存在着有偏估计的特性[11]。接着Julier和Uhlman发展了不敏卡尔曼滤波算法(UKF)[12]。该方法基于卡尔曼线性滤波的框架，以不敏变换为基础，采取确定性的采样策略，粒子点数量少，其计算量与扩展卡尔曼滤波相当。不敏卡尔曼滤波可以有效解决由系统非线性的加剧而引起的滤波发散问题，精度比扩展卡尔曼滤波要高。但不敏卡尔曼滤波仍是用高斯分布来逼近系统状态的后验概率密度，所以在系统状态的后验概率密度是非高斯的情况下，滤波结果有极大误差[11]。9229
传统的递推滤波算法是通过采用参数化的解析形式对系统的非线性进行近似，而且都是基于高斯假设。针对这一问题，1993年Gordon等提出粒子滤波算法(PF) [13]。粒子滤波是一种基于随机采样的滤波方法，主要思想是利用状态空间种一系列加权随机样本集来近似系统状态的后验概率密度函数，这是一种基于Monte Carlo仿真的最优回归贝叶斯滤波方法[1]。这些样本没有明确的格式，不受线性模型和高斯假设的约束，适用于非线性非高斯的随机系统。尽管PF算法计算量较大，粒子经过迭代后产生退化问题，其应用仍然十分广泛。
近年来，随着微处理器性能及网络的不断提高，多站无源定位系统以其搜索范围大、测量信息多、作用距离远和可靠性高等显著特点，越来越受人们的重视。但是对于多站纯方位目标跟踪技术，无论是国外，还是国内，取得的成功都非常有限，其中一个主要原因就是定位精度的问题。如何减小定位误差是制约该系统发展的一大因素。
多站纯方位跟踪是一个非线性滤波问题，采用较高精度的滤波算法是目前提高对于多站纯方位目标跟踪系统精度最有效的方法。因此，通过对多种非线性滤波算法进行研究，寻找一个合适的滤波算法，对改善整个系统的跟踪性能，具有十分重要的意义。KF滤波和EKF滤波，以及近年来兴起的UKF和PF跟踪算法使多站纯方位跟踪达到较好的效果。但是，KF算法只适用于线性系统、EKF算法对高度非线性系统易导致滤波发散、UKF不适用于非高斯系统、PF算法粒子易退化，不同的学者对使用何种滤波算法存在不同的观点。目前，国内外对多站纯方位目标跟踪滤波算法的研究主要是针对基于这些算法的定位跟踪系统定位精度的比较研究。
在不同的跟踪应用系统中，不同的滤波算法定位精度略有不同。在对非线性观测模型空间定位中，实验仿真证明单站PLKF比双站点EKF精度更高，定位效果更好[11],[14]；在人类行为跟踪实验中扩展卡尔曼滤波和不敏卡尔曼滤波在四元数动态系统估计中定位精度大致相同[15]；而在融合导航信息系统[16]和三文纯方位定位系统[17]中UKF比EKF精度更高一些；还有实验证明在被动定位跟踪中PF精度逼近最优，鲁棒性更好[8]等等。 多站纯方位目标跟踪算法研究现状:http://www.youerw.com/yanjiu/lunwen_7871.html