1.基于多方法融合的量化卡尔曼滤波方法，其特征在于该方法包括以下步骤：步骤1.系统建模，考虑二维平面目标的跟踪问题，假设目标为匀速运动模型，给出跟踪目标的系统模型如下：式中，k是时间指数，Xk是系统状态向量，分别由运动状态的距离和速度组成；φk,k-1是相应的从k-1到k时刻系统状态转移矩阵；Zk是传感器观测值，即表示由雷达所测得的距离；Hk是相关观测矩阵；Wk,k-1和Vk分别为均值为零方差为Qk,k-1和Rk的高斯白噪声；假设初始状态为X0，其中均值和方差分别是 和P0|0，并且与Wk,k-1和Vk不相关；

步骤2.分别给定基于强跟踪量化卡尔曼滤波和基于变分贝叶斯自适应量化卡尔曼滤波的最优估计结果，具体是：得出基于强跟踪量化卡尔曼滤波得到的状态估计 和估计误差协方差P1,k|k，基于变分贝叶斯自适应量化卡尔曼滤波得到的状态估计 和估计误差协方差P2,k|k；

步骤3.给出基于多方法融合的量化卡尔曼滤波方法

(3.1)假设加权融合估计

式中，假设A1,k和A2,k是最优加权矩阵；

(3.2)计算最优加权矩阵A1,k,A2,k和融合估计误差协方差矩阵Pf,k|k：根据如下最优约束条件：

可得：

Pf,k|k＝P1,k|k-A2,k(P1,k|k-P21,k|k)式中，Pq,k|k(q＝1,2)分别是基于强跟踪量化卡尔曼滤波和基于变分贝叶斯自适应量化卡尔曼滤波的估计误差协方差矩阵；P12,k|k和P21,k|k是融合估计误差互协方差矩阵；

Mk＝P1,k|k+P2,k|k-P12,k|k-P21,k|k；将最优加权矩阵代入(3.1)中，即可得到最终加权融合估计(3.3)计算滤波增益Kq,k(q＝1,2)：式中， 是量测噪声的未知方差；

(3.4)根据上式所求得的加权融合估计，计算融合估计误差互协方差矩阵P12,k|k和P21,k|k：式中， 是量测噪声的未知方差；根据初始条件可得P12,0|0＝P21,0|0＝P0|0。