认知雷达(Cognitive Radar)可以通过对外部环境和目标的动态不断地进行感知,自适应地选择工作模式、发射波形、信号处理算法和数据处理算法等,充分利用各种先验信息进行智能处理。认知雷达区别于传统自适应雷达的方面主要在于,它具有自适应的发射能力和知识辅助处理能力。在目标跟踪阶段,先验信息丰富,更适合进行认知发射和知识辅助处理。本论文面向认知雷达的目标跟踪方面,分别研究了发射波形优化和接收数据处理方法,具体包括针对目标跟踪的发射波形选择、机动目标跟踪算法和数据关联方法等内容。现将主要工作概括如下:1.分别从单脉冲和多脉冲两个方面讨论了针对目标跟踪的发射波形选择问题。(1)单脉冲情况:首先将矩形脉冲信号作为基波形,对其模糊函数在时延-多普勒频移平面分别进行伸缩变换和旋转变换,得到线性调频(Linear Frequency Modulated,LFM)波形库和旋转波形库。然后基于卡尔曼滤波(Kalman Filter,KF)算法,分别以最大互信息和最小均方误差为准则,在两个波形库中寻找最优的发射波形。详细分析了两种波形选择准则的物理意义和优缺点。另外,目标距离跟踪误差和速度跟踪误差在量纲上不一致,而现有的波形选择方法无法调节二者的权重。针对此问题,本文提出了加权最小均方误差准则及其变形形式。仿真结果验证了所提方法的有效性。(2)多脉冲情况:针对机动目标跟踪的发射波形选择,需要兼顾测距测速性能与多普勒容忍性。对比了多脉冲LFM信号、V型调频(V-Linear Frequency Modulated,V-LFM)信号和M序列3种发射波形估计目标距离和速度的克拉美罗下界(Cramer-Rao Lower Bound,CRLB)与多普勒容忍性。仿真结果表明,V-LFM信号在损失较少多普勒容忍性的情况下,可以明显提高目标的跟踪精度。2.针对机动目标的跟踪问题,提出了基于AR模型的KF和交互多模型(Interacting Multiple Model,IMM)滤波相互切换的跟踪算法。首先介绍了传统的机动目标跟踪模型和跟踪算法,详细分析了当前主流机动目标跟踪算法的基本原理和优缺点。然后,将AR模型应用于目标跟踪,详细介绍了AR模型的构建过程和求解方法。AR模型不仅能满足目标运动状态的多项式约束,还能利用额外的自由度滤除噪声,属于一种自适应的状态模型。最后针对机动目标的跟踪问题,引入了变维滤波的思想,通过机动检测来切换基于AR模型的KF和基于AR模型的IMM滤波器,以适应目标的非机动和机动状态。从本质上说,本文所提跟踪算法是一种变结构的多模型(Variable Structure Multiple Model,VSMM)算法,而且运算量要远小于现有的VSMM算法,具有一定的工程应用价值。仿真结果表明:在相同的参数条件下,AR模型的跟踪性能要优于传统的离散时间微分模型,尤其当算法的参数设置与目标实际运动状态不匹配时,优势则更为明显,而且所提算法的跟踪性能也要好于传统的变维滤波和IMM算法。3.针对机动目标的数据关联问题,提出了基于综合交互多模型-概率数据关联(Interacting Multiple Model-Probabilistic Data Association,IMM-PDA)算法的自适应关联波门设计方法。传统针对机动目标的关联波门设计方法仅通过扩大波门来确认有效量测,而未改善关联概率,容易引起失跟现象。本文在综合IMM-PDA算法的框架下,提出一种利用目标运动状态的量测信息进行自适应关联波门设计的方法。在综合IMM-PDA算法的基础上进行关联波门设计,有可能得到最优的量测集合,进而可以降低失跟率,提高跟踪精度。本文提出两步法设计关联波门:当波门内不存在有效量测时,首先逐步扩大波门使得有效量测存在;然后利用观测信息,在目标状态的预测范围内以最小均方误差为准则对关联波门的中心进行寻优。本文方法利用量测信息调整了关联波门的中心和大小,改善了关联概率,得到了更优的量测集合。仿真结果表明本文所提方法在跟踪精度和失跟率等方面均优于传统方法。4.针对多目标的数据关联问题,提出了基于多维信息的数据关联方法。传统的联合概率数据关联(Joint Probabilistic Data Association,JPDA)算法在应对低信噪比情况下的多目标跟踪时,计算量非常之大。而且传统方法仅利用目标的位置信息进行数据关联,在处理多个目标航迹接近或交叉的情况时,容易产生航迹合并甚至误跟的现象。本文首先从理论上分析了JPDA算法的计算量,然后分别讨论了多普勒信息和高分辨距离像(High Resolution Range Profile,HRRP)信息在多目标跟踪中的应用:(1)多普勒信息的应用:脉冲多普勒雷达可以通过动目标检测(Moving Target Detection,MTD)技术同时获得多个目标的多普勒信息。本文从航迹起始和航迹维持两个方面分别讨论了多普勒信息在多目标跟踪中的应用。(2)HRRP信息的应用:与多普勒信息的不同之处在于,HRRP信息属于目标的特征信息。传统方法在利用HRRP信息进行数据关联时,并未考虑到它与目标运动状态之间的相关性。本文首先利用HRRP信息的姿态敏感性实时地估计目标的姿态角,然后再利用姿态角信息辅助多目标跟踪。本文分别将目标的多普勒信息和姿态角信息加入到观测状态,构造多维关联波门,利用多维信息进行有效量测的筛选,从而将一个多目标的数据关联问题简化成多个单目标数据关联问题,大大提高了数据关联的效率。