于泽祥，蔡宗平，杨剑，卫浩

(火箭军工程大学，陕西 西安 710025)

0 引言

在传统的低分辨雷达研究中，雷达目标均被假设为点目标。而目前高分辨雷达对目标的探测能力提高[1]，不但可以探测目标的距离、角度等运动量测信息，还可以提供目标更多的特征信息[2-5]，例如目标的宽度和大小等形状信息。将这些扩展信息融入目标的建模中，形成扩展目标(extended object)模型。通过对扩展目标的跟踪技术展开研究，可以更加准确地实现对目标的跟踪，尤其是实现对目标部位级的探测和识别。

机动目标在不同机动过程中运动形式会发生变化，为了获得更高的目标跟踪精度，需要使滤波所采用的运动模式与目标的运动状态相匹配[6]。目前通常采用交互多模型(interacting multiple model,IMM)算法来实现目标运动状态的匹配[7]，但是传统IMM算法通常采用卡尔曼滤波(Kalman filter,KF)算法对目标状态进行更新，在处理非线性非高斯问题时性能较差，难以取得较高的滤波精度。近年来提出的粒子滤波(particle filter,PF)算法[8]通过大量的采样点解决了这一问题，但是算法本身的计算量非常大，所以系统的实时性较低，在实际应用中受到限制。

近年来相关学者提出通过容积点来计算非线性近似中的概率积分，得到容积卡尔曼滤波(cubature Kalman filter，CKF)算法，其实现简单，较EKF算法具有更好的非线性估计性能[9]，而且可以扩展成平方根容积卡尔曼滤波(square cubature Kalman filter，SCKF)算法，避免了复杂的矩阵分解和求逆运算，提高了数值稳定性和滤波精度[10]。文献[11]将CKF滤波与交互式多模型结构相结合，提出了IMM-CKF算法。……