雷达通过向空间中发射电磁波，利用物体对电磁波的反射现象来发现目标。它提取目标回波中的有用信息，得到其空间位置及运动参数，并由此建立跟踪。雷达接收到的回波包括四个部分：真实目标的回波、自然界造成的杂波、可能存在的人为干扰以及雷达设备自身噪声。由于这些杂波信号强度经常超过目标信号，并且杂波谱常常接近于目标频谱，这就增加了雷达对目标检测的难度。
雷达信号处理主要承担这项任务。目前信号处理普遍采用的是动目标显示技术（MTI）、动目标检测技术(MTD)、数字脉冲压缩技术以及恒虚警检测(CFAR)等技术。理论上，这些技术可以较好地消除不需要的杂波干扰，将目标检测出来送至雷达数据处理进行目标跟踪。但实际上，无论信号处理采用哪些方法，仍会有剩余杂波漏到雷达数据处理中来。主要原因有两个方面：1、当雷达所处的环境杂波现象比较严重时，如船用雷达，现有的信号处理方法无法彻底消除杂波干扰。2、某些雷达，由于雷达体制和频段选择、性较比的考虑以及不充分的方案论证等人为因素而未能采取有效的反杂措施，或者采取的措施效果不佳。为此，连接在信号处理之后的雷达数据处理就承担了进一步消除杂波，并在杂波背景下实现目标跟踪的任务。
雷达系统如何对抗杂波干扰一直是雷达科研及工程人员关心的主要问题。现有的大量研究和成果主要是从雷达信号处理角度进行探索。信号处理承担了抗杂波检测目标的主要任务。这方面的研究及成果集中在两个方面：1、对陆地、海洋和大气雷达波散射特性的研究。这些研究对在陆地、海洋和大气背景下检测目标提供了重要理论依据。2、微弱目标信号的检测方法。这部分的研究及成果日新月异，充分提高了雷达信号处理能力。
人们一般认为，雷达信号处理能滤除大部分无用的信号，后续的数据处理系统只需处理真实目标数据而不涉及杂波。可是，广大的雷达工程人员发现，雷达数据处理阶段总是或多或少地存在虚假点迹[1-2]，只是在不影响目标跟踪性能的前提下不予重视。然而，当雷达所处的环境杂波现象比较严重或者雷达信号处理机未能正常发挥其有效性能时，虚假点迹的增多将严重影响雷达正常工作，导致虚警不断、雷达资源饱和。这是如何在数据处理阶段抑制杂波干扰[3]就显得尤为重要了。另外，在工程实际中，由于信号处理基于硬件平台，其更改不如数据处理软件方便，雷达总体设计师们往往在出现问题时偏向于修改软件。因此，如何在数据处理阶段抑制杂波干扰就成了很有必要研究的实际问题。
目前这一方面的研究和成果较少，主要集中在杂波背景下的数据关联算法。这些算法有概率数据关联法(PDAF和JDAF)、多重假设法(MHT)、神经网络算法(NN)，以及这些算法的改进方法。这些技术已有较完善的理论体系，并证明能较好地解决杂波中的相关问题。但这些研究往往忽略了两点：1、未将数据处理杂波抑制的重点放在相关滤波之前。数据处理相关滤波模块用于实现航迹起始[4-5]、点迹-航迹数据关联、航迹预测滤波等功能，是雷达数据处理的核心部分，也是计算量最大、最耗费计算时间的部分。研究杂波背景下的数据关联、跟踪滤波等问题虽然可以改善跟踪性能，但同时带来了更加庞大的运算。如果能在相关滤波之前，利用回波的某些特征对剩余杂波进行抑制，将大大减少后续的运算量。2、没有真正解决工程应用问题。现有的研究及成果大多处在理论探讨上，很少考虑工程应用的可能性以及如何工程实现。
密集杂波环境下的多目标跟踪（MTT）一直是雷达目标跟踪领域的研究难点，关键是有效地将状态过滤与数据关联相结合。在密集杂波环境中，除了目标点的回波之外，还存在来自未知散射的大量杂波干扰，因此很难处理数据。根据相关资料，本文引用了一种基于轨迹定向多假设跟踪（TOMHT）和支持向量机（SVM）的密集杂波环境下的杂波滤波算法[6]，应用于杂波滤波，为目标跟踪提供先验的环境信息。在满足跟踪精度的前提下，降低了混乱的密度，提高了数据关联的效率。结果表明，该算法可以有效抑制杂波，提高跟踪性能。
雷达目标跟踪通常在检测源未知的环境中执行。除了接收目标的回波之外，不可避免地会有来自散射体的杂波干扰，例如目标的热噪声，云层和地形反射[7]等。杂波会严重影响雷达的跟踪结果和性能。随着杂波密度的增加，雷达的跟踪滤波和数据关联性能迅速下降。研究人员提出了各种不同的方法来解决此问题。通常在雷达的信号处理阶段采取相应的杂波抑制措施，例如移动目标检测，移动目标指示，恒定误报率检测[8]等。但是，这些方法仍然无法滤除所有杂波。不可避免地，在数据处理阶段会留下一些混乱情况。因此，在密集杂波环境下进行雷达数据处理的研究具有重要意义。
根据所查阅的文献资料，雷达数据处理阶段通常有两种主要的杂波抑制方法[9]。一种是使用数据关联算法直接识别并消除杂波[10]。但是，由于杂波的复杂特性，很难在实践中应用此方法。另一种方法是将杂波抑制问题转换为数据关联问题，并通过以下方法提高关联的准确性——改进数据关联算法。最经典的数据关联算法是最近邻（NN）方法，该算法在计算上可行并且易于实现，但是该方法仅适用于杂波密度低且目标稀疏的情况。Bar-Shalom[11]提出的联合概率数据关联（JPDA）算法已被广泛用于计算杂波中多个目标的联合后关联概率，但是该算法的缺点是倾向于合并相邻轨道。研究人员一直在努力改进算法。Fitzgerald[12]提出了一种廉价的联合概率数据关联（CJPDA）算法，也称为最近邻联合概率数据关联（NNJPDA）算法，以防止通过修剪合并轨道。Roecker[13]提出了一种针对JPDA的快速次优算法，以通过为可能的匹配引入权重来对其进行优化。Reid[14]在1979年提出了多重假设跟踪（MHT）算法，该算法基于从扫描到扫描的假设结构。回波不仅考虑了来自目标和错误警报的可能性，还考虑了来自新目标的可能性。新接收的数据会不断扩展和修剪[15]。Cox[16]修改了算法，减少了低概率假设的数量。Streit[17]在1995年提出了一种贝叶斯数据关联和跟踪算法，称为概率多假设跟踪（PMHT）。Kurien的面向轨道的多假设跟踪（TOMHT）[18]算法是在高计算资源和混乱环境中用于目标跟踪的最流行算法。它没有使用像MHT这样的显式假设，而是使用树结构表示假设。树的每个节点表示一个观测值，根与叶之间的路径表示可能的轨迹[19-21]。TOMHT算法具有较高的兼容性和一致性，被认为是解决多目标跟踪问题的最佳方法。
除了上述传统的杂波抑制方法外，根据相关文献资料，雷达目标和杂波也可以视为二元分类问题，而SVM算法是处理分类问题的经典算法。在此，本文引用了一种融合TOMHT和SVM的密集杂波环境下的杂波滤波算法。雷达接收到的轨迹点和杂波点被训练为正样本和负样本，并且所得的分类模型可以消除接收到的杂波并预测目标轨道。实验结果表明，该算法在过滤杂波和改善数据相关性方面具有良好的性能。
基于支持向量机的杂波分类方法：基于支持者提出的支持向量机（SVM）理论Vapnik [22]已成功应用于许多领域。 与传统的分类方法相比，支持向量机在实际应用中具有更好的泛化能力和较高的分类精度，特别是对于非线性数据集[23]。SVM采用将输入矢量非线性映射到高维特征空间的方法，并通过该方法在特征空间中构造线性决策面。决策面的特殊功能确保SVM具有较高的泛化能力。SVM学习算法的标准问题可以归结为解决约束二次编程（QP）问题。通过找到满足分类要求的最佳分类超平面，超平面可以在确保分类准确性的同时，最佳地实现训练样本局部干扰的“容忍”。
