目标跟踪的应用广泛存在于交通管制、区域监控等各个领域,因此,对目标跟踪算法的研究具有重要意义。基于不同的数学原理,可以推导出多种类型的目标跟踪算法。近年来,随着监督式学习理论及应用的不断发展,基于监督式学习的目标跟踪算法崭露头角,在很多应用场景中,表现出相对于传统算法更加优异的性能。但是,目前基于监督式学习的目标跟踪算法尚存在很多局限性,需要进一步的挖掘监督式学习算法在目标跟踪领域的潜力,使得跟踪设备更加智能化。例如,在使用监督式学习算法辅助滤波时,手段单一;端到端的监督式学习滤波的算法适应性差,应用面狭窄;在对机动目标的参数估计问题上的研究基本上处于空白。本论文主要针对端到端的监督式学习滤波问题,以及机动目标参数估计问题展开研究,具体如下:1.对监督式学习的框架、模型以及损失函数进行研究;研究了基于贝叶斯滤波估计理论的目标跟踪算法,如卡尔曼滤波,粒子滤波,交互多模型(Interacting Multiple Model,IMM)等;研究基于监督式学习的目标跟踪算法,如基于神经网络的滤波算法以及基于随机森林的滤波算法(Random Forest Filter,RFF)。2.针对RFF非实时、跟踪随机起始目标精度下降的问题,提出一种基于XGBoost的在线滤波算法(XGBoost Filter,XGBF)。利用滑动窗口截断量测,使得XGBF能够在线滤波;通过中心化策略抽取出不同航迹间相关的运动信息,解决了对随机状态起始目标跟踪精度下降的问题。3.针对机动目标跟踪中的IMM转移概率矩阵的参数估计问题,提出一种基于神经网络的转移概率在线估计算法。通过输入仿真航迹的模式序列,以及最小化平均绝对误差损失函数,使得神经网络能够实时估计目标的转移概率,有效提升IMM滤波器的跟踪精度。以上所提出的算法均通过仿真验证,结果证明了算法的有效性和实用性。