传统粒子滤波算法是一种基于序贯重要性采样的蒙特卡罗方法,由于其中存在的重采样过程将导致“粒子贫化”现象,使得算法估计精度降低,计算复杂度增加。与粒子滤波不同,粒子流滤波算法用粒子流的方式取代重采样实现了贝叶斯估计,提高了估计精度,降低了计算复杂度,因此粒子流滤波算法将具有重要的理论意义和应用价值。本文主要研究粒子流滤波算法与应用。首先,介绍了粒子流滤波基本理论和三种不同粒子流滤波实现方式:准无旋近似法、参量近似法和弱解形式法,为算法后续的应用打下理论基础。其次,研究了基于粒子流滤波的OFDM时变信道估计方法。传统的基于粒子滤波的OFDM时变信道估计算法能够取得较好的估计性能,但是由于算法本身的“粒子贫化”现象,将影响时变信道的估计性能。针对上述问题,本文提出了一种基于粒子流滤波的OFDM时变信道估计算法。该算法用粒子流取代重采样,通过建立微分方程实现贝叶斯估计,采用粒子流将状态空间中的先验粒子平滑移动到后验分布上,实现了粒子更新并且避免了“粒子贫化”,其中粒子流滤波采用参量近似法实现。仿真结果表明:该算法与传统基于粒子滤波的OFDM信道估计算法相比,估计精度更高,算法计算复杂度更低,对环境噪声具有较好的鲁棒性。然后,研究了基于混合粒子流滤波的非线性参数估计方法。粒子滤波算法可以较好估计强非线性系统模型,但是粒子滤波算法却存在难以选取合适重要性分布函数、“粒子贫化”现象以及由粒子数增加导致的计算复杂度较高等问题。本文针对由线性状态方程和非线性测量方程组成的系统模型,提出了一种结合卡尔曼滤波和粒子流滤波的混合粒子流滤波算法,该方法首先利用粒子流滤波得到粗估计结果,然后应用卡尔曼滤波对粗估计结果进一步滤波得到最终估计结果,粒子流滤波采用参量近似法实现。仿真结果表明:该算法估计精度高于普通粒子流滤波算法、普通粒子滤波算法和混合粒子滤波算法,计算复杂度和普通粒子流滤波算法相当且低于普通粒子滤波算法和混合粒子滤波算法。最后,研究了基于粒子流滤波的单通道信号盲分离算法。为了提高基于粒子滤波的单通道信号盲分离算法性能,本文提出一种基于粒子流滤波的单通道信号盲分离算法。该算法首先将信号分离问题建模为状态估计问题,利用粒子流的方式更新粒子,粒子流滤波采用弱解形式法实现。仿真结果表明:与基于粒子滤波的单通道信号盲分离算法相比,该算法具有更低的误码率和计算复杂度。