当系统的模型具有较高精度时，传统的滤波算法可以获得较好的滤波精度和稳定性，然而，当系统的模型存在一定的误差时，传统滤波算法的性能就会受到影响，极端情况下会导致滤波的发散。系统的建模误差在一些情况下是无法避免的。例如，当对机动的非合作目标进行跟踪时，由于目标机动的时间和加速度大小未知，因此很难在状态预测过程中准确地计算其影响。一般情况下，可以将系统的建模误差考虑为作用于系统的扰动因素，为保证在存在未知扰动的情况下滤波算法能够具有较好的性能，要求滤波器具有一定的稳健性。虽然用衰减记忆法和限定记忆法可以有效地抑制未知扰动导致的滤波发散，但是同时会带来较大的误差，导致跟踪精度较差。因此，国内外很多学者对滤波算法进行了改进，设计了稳健性滤波算法来解决未知扰动条件下的状态估计问题。

稳健性滤波算法包括检测自适应滤波、实时辨识自适应滤波和“全面”自适应滤波等。检测自适应滤波的核心思想是，未知扰动的发生会导致建立的动力学模型与实际运动状态不匹配。根据滤波的基本原理，当动力学模型未能准确建立时，测量残差会发生相应的变化，因此可以根据测量残差设计相应的扰动检测准则。当系统检测到扰动发生或结束时，可以通过改变方差的大小或切换滤波模型来提高估计精度。此类算法的关键在于“检测”机制是否准确，即设计合理的检测准则，选取恰当的阈值及匹配的滤波算法。

实时辨识自适应滤波是指通过滤波算法的改进，可以辨识得到未知扰动的估计值或其统计特性，如扰动的均值或者噪声方差等。较为典型的实时辨识自适应滤波方法包括：协方差匹配法、自适应状态估计器、二级卡尔曼滤波算法以及“当前”统计模型。协方差匹配法的思路是把未知扰动引起的变化作为随机干扰噪声来对待，除此之外，极大似然估计、贝叶斯估计等估计方法也可用于协方差匹配。该方法的缺点是计算负载大，对计算机运算能力要求较高。对于星载计算机来说不适合实时估计，常用于仿真和验后数据分析。

上述两种滤波方法对目标有较好的跟踪效果，但是实时辨识自适应滤波在目标受扰时跟踪效果较好。而检测自适应滤波却在未发生扰动时跟踪效果较好，为了综合这两种算法的优点，产生了一种新的综合性方法——全面自适应滤波法，该方法包括检测全面自适应滤波法、加权和全面自适应滤波以及交互式多模型算法。(www.daowen.com)

全面自适应滤波法采取检测自适应滤波算法中的模型切换方式，将切换模型中加入实时辨识自适应滤波算法，以提高目标机动时的跟踪精度，使得滤波器具有更强的自适应跟踪能力。该算法的缺点与检测自适应滤波算法相似，即需要扰动检测，阈值参数的选取需要通过大量的仿真获得，存在着无法避免的时间滞后和虚警率。加权自适应滤波法与全面自适应滤波法所采用的滤波模型一致，区别在于略去了机动检测环节，让两种滤波器同时工作。根据“当前”统计模型的均值计算加权系数，让目标状态估计等于两滤波器估计的加权和，但该算法容易造成模型之间的频繁倒换。

交互式多模型算法是使用多个滤波器并行工作，目标状态估计是多个滤波器交互作用的结果，该算法无须进行扰动检测，并且有良好的跟踪效果，其缺点是计算负载较大。近年来，不同算法的综合使用成为稳健性滤波领域的主要发展方向，例如，具有输入估计的集成变维滤波器、具有交互式多模型的变维滤波器、具有交互式多模型的直通滤波器等。上述算法可以综合各种稳健性滤波器的优点，从而提高系统状态在受扰条件下的估计精度。