对运动目标（如船、飞行器等）的跟踪，主要使用雷达跟踪系统。在实际处理数据时，需要使用状态空间表示法对过程建模。在雷达跟踪系统中，目标位置的测量值是在与传感器位置相关的极坐标系下得到的。因此，雷达目标跟踪是一个非线性问题。常用的非线性滤波方法有扩展卡尔曼滤波（EKF）和不敏卡尔曼滤波（UKF），但这两种算法都基于模型线性化和高斯假设条件。历史上最早考虑的是维纳滤波，后来R.E.卡尔曼和R.S.布西于20世纪60年代提出了卡尔曼滤波。现对一般的非线性滤波问题的研究相当活跃。在处理非线性非高斯问题时，

介绍两种目标跟踪算法—扩展卡尔曼滤波器（Extended Kalman Filter， EKF）、粒子滤波器（Particle filter， PF）。EKF利用泰勒级数方法，将非线性问题转化到线性空间，再利用卡尔曼滤波器进行滤波，并达到一阶估计精度。PF是一种采用蒙特卡罗采样的贝叶斯滤波方法，它将复杂的目标状态分布表示为一组加权值，通过寻找在粒子滤波分布中最大权值的粒子来确定目标最可能所处的状态分布，已成为复杂环境下进行目标跟踪的最好的方法。文中通过仿真实验，对二者的性能进行了仿真比较，结果证