Muchos sistemas prácticos, como el seguimiento de objetivos, sistemas de navegación, vehículos autónomos y otras aplicaciones, suelen aplicarse en condiciones dinámicas. Por lo tanto, las características reales de estadísticas de ruido de estos sistemas suelen ser variables en el tiempo y desconocidas, lo que deteriorará la precisión de la estimación de estado del filtro de Kalman (KF) e incluso puede causar la divergencia del filtro. Para abordar este problema, este documento propone un algoritmo de filtro de Kalman adaptativo basado en la covarianza de ruido de proceso adaptativo (AQ-VBAKF). En primer lugar, se introduce el factor adaptativo para ajustar automáticamente la covarianza de ruido de proceso; el factor adaptativo se obtiene en función de las secuencias de innovación, que pueden adaptarse a los valores de medición de entrada. Luego, se aplica la solución de VB para aproximar la covarianza de ruido de medición variable y desconocida. Por lo tanto, este algoritmo propuesto puede ajustar simultáneamente la covarianza de ruido de proceso y la covarianza de ruido de medición en función de las señales de entrada variables, lo que puede mejorar la capacidad autoadaptativa del filtro de estimación de estado en condiciones dinámicas. Según los resultados de la prueba de seguimiento de objetivos dinámicos, el AQ-VBAKF propuesto supera a varios otros métodos de filtrado existentes en precisión de estimación, robustez y eficiencia computacional.