Kalman滤波是一种实时线性递推算法，计算过程简单，有迭代的优点，特别适用于计算机在线估算。它已成功地应用于空间技术、潜艇和飞行器的导航与定位，以及火力控制系统等方面；在工业自动化，通讯方面也有越来越广泛的应用。但是传统Kalman滤波器，要求事先已知所研究的系统状态模型和系统中有关噪声统计特性，这在实际应用中很难满足。为了解决这个问题，有关专家提出了自适应Kalman滤波，以便实时对系统状态模型和噪声参数进行校正和估计。　　 本文通过分析实际雷达观测数据，提出一种利用加速度观测新息调整系统状态模型的自适应Kalman滤波新算法，讨论了其在多传感器数据融合中的应用。　　 我们首先阐述Kalman滤波产生的背景、国内外发展现状和其在现实中的应用。针对本文要解决的问题，介绍了传统Kalman滤波算法的原理、滤波过程以及各种自适应Kalman滤波算法的设计原理；一些平稳时间序列和ARMA模型知识。　　 其次重点分析机动目标状态模型变化的原因，在分析实际雷达观测数据的基础上，提出一种根据ARMA模型利用实时观测新息估计、校正系统状态模型的自适应Kalman滤波算法。对新算法进行了计算机仿真试验，通过和经典的Singer模型自适应Kalman滤波算法比较，在跟踪精度，航迹寿命和实时性三个方面分析了两种算法的优劣。　　 最后给出数据融合过程中航迹相关、雷达配准、航迹融合三个过程的原理和各个过程中的经典实现算法。通过两组实际的雷达观测数据计算，整个计算过程历经数据预处理、航迹相关、多雷达配准和航迹融合等，在航迹融合时使用了本文的新算法，由此得到非常精确的目标航迹。与已有算法进行对比发现，我们的方法具有一定的优势。