空间态势感知是维护我国陆地安全,保护我国关键航天器、空间站的重要前提,而目标跟踪能力是实现空间态势感知的基石。由于空间目标跟踪问题本质上不可避免的非线性特性,现有近似状态估计算法估计精度不高,数值稳定性无法保证。为了克服上述问题,本文基于变分推断框架,提出含补偿参数的变分高斯回归非线性滤波算法,主要成果如下:1.证明了传统高斯滤波是变分推断下界最大化的自然结果。通过对卡尔曼滤波与高斯滤波在一定条件下等价性的证明,分析了高斯假设的本质含义,从而为后面章节全数据似然概率的建模提供了理论依据。并且,从变分推断的角度出发,重新推导了标准卡尔曼滤波与高斯滤波,从理论上证明了三者本质的一致性,即三种算法的优化目标函数均是最大化对数量测概率的下界,从而最小化对应的相对熵。同时将变分下界作为不同非线性滤波算法的性能评价指标,其中封装了状态估计均值以及其可信度（协方差）两种信息。可以直观地比较不同滤波算法的近似后验概率密度与真实后验概率密度的接近程度。而大多数现有滤波器性能评价指标,如均方误差,仅把后验概率均值的误差当做评价滤波器性能的标准,没有衡量协方差的大小的问题。2.提出了基于单帧量测和多帧量测的变分高斯回归滤波算法。其核心是根据对高斯假设本质的探讨,将全数据似然概率,即状态与量测之间的关系建模为含有补偿参数的线性高斯回归过程。基于对全数据似然概率的建模,在变分推断框架中可以解析地最大化下界,实现联合状态估计与补偿参数辨识。此外,在变分推断框架中,初始变分超参数的选择不可避免,并且算法对初始变分超参数的敏感性较高。因此,针对变分超参数提出相应优化算法,优化过程中将变分下界作为目标函数。实现在滤波算法运行的同时优化变分超参数,增强了变分高斯回归滤波算法对初始变分超参数选择的鲁棒性。仿真分析结果验证了联合补偿参数辨识与状态估计对于算法精度的提高。3.提出了基于先验信息推断的变分高斯回归滤波。针对单帧量测与多帧量测的变分高斯回归滤波算法中后验均值的可信度不足,即后验概率的协方差过大的问题,将系统状态的先验信息重新构造,引入新的先验变分参数。利用重新构造的状态先验信息、状态与量测关系的建模,进一步提高状态先验信息的可信度。在滤波过程中,基于变分推断框架,迭代地实现状态估计,补偿参数与先验变分参数的辨识。从而在保证估计精度的前提下,同时提高估计结果的可信度。仿真分析验证了滤波结果可靠性的提升。