随着现代战争中敌机突防能力的提高和机群密度的增加，单目标跟踪己经不能满足现代战争的需要，多目标跟踪的概念应运而生。多目标跟踪系统的原理是将传感器接收到的多量测值按照它们的来源分类，给出各被跟踪目标的运动轨迹，并分析运动轨迹的准确性和可靠性。 本文通过分析神经网络的功能和特点，将其与目标跟踪技术相结合，首先针对常用BP算法的不足，研究了基于改进的BP网络的机动目标自适应滤波算法。 联合概率数据关联算法是公认的多目标跟踪中有效的数据关联算法，但它的计算量过大，实时性不好。鉴于神经网络的优良性能，特别是其并行处理能力，使得它在组合优化问题上显示出令人鼓舞的应用前景。本文将多目标数据关联表达为一类约束组合优化问题，进而应用Hopfield神经网络求解，通过计算机仿真，可以看出基于Hopfield神经网络的数据关联算法计算量减少。但是由于Hopfield网络是一个梯度速降系统，它只有局部搜索能力，因而用它来求优化问题时，尽管能保证收敛到稳定的平衡点，但是求出的不是问题的最优解，而常常是局部最优解，这将影响解的质量，使跟踪成功率降低。为此本文将混沌特性引入神经网络，利用混沌神经网络所具有的丰富的动态特性来求解复杂的优化问题的全局最优解，由此本文研究了一种基于混沌神经网络的机动多目标跟踪方法，通过计算机仿真，可以看出，在求解关联概率时混沌神经网络比Hopfield神经网络收敛更快，且跟踪成功率提高。