为提高随机变量非高斯分布时高阶容积卡尔曼滤波（High-degreeCubatureKalmanFilter，HCKF）算法的鲁棒性，提出了一种基于Huber方法的鲁棒高阶容积卡尔曼滤波算法。从近似贝叶斯估计角度解释了Huber方法作用于卡尔曼滤波算法的本质是对新息进行截断平均，通过在现有滤波框架内利用Huber方法对观测量进行预处理，并将处理后的观测量进行标准的HCKF量测更新，实现了HCKF算法的鲁棒化。所提算法无需通过统计线性回归模型对系统的非线性量测模型进行近似，高阶容积变换的优势得到充分利用，从而在保持鲁棒性的前提下提高了算法的滤波精度。单变量非平稳增长模型和再入飞行器目标跟踪