随着控制和计算机技术的飞速发展,非线性滤波技术在信号处理、自动控制、计算机视觉、无线通信、航空航天、以及目标跟踪和识别等领域具有越来越广泛的应用。在贝叶斯理论框架下,粒子滤波已经成为研究非线性、非高斯动态系统最优估计问题的一个热点和有效方法。本论文以国家自然科学基金为研究背景,主要围绕粒子滤波及其在目标跟踪中的应用开展相关研究工作。1.针对粒子滤波存在的粒子退化问题,提出了一种改进的粒子滤波算法,通过修正的迭代扩展卡尔曼滤波器来产生重要性密度函数,并采用马尔可夫链蒙特卡罗方法来增加粒子的多样性,在给出闪烁噪声模型的基础上,通过仿真验证了算法的有效性。针对机动目标跟踪,将粒子滤波与交互多模型算法相结合,提出了一种新的交互多模型粒子滤波算法,该算法在多模型中使用了改进的粒子滤波器,仿真结果表明算法提高了目标跟踪精度。针对纯方位目标跟踪的非线性及状态不完全可测的问题,提出了一种分布式多传感器最优信息融合粒子滤波算法,并从理论上推导了克拉美罗下界,给出了其计算方法,仿真结果表明算法改善了跟踪精度、容错性及鲁棒性。2.针对固定数目的目标跟踪问题,研究了基于数据关联和粒子滤波的多目标跟踪算法。首先,在JPDAF算法的基础上,结合高斯粒子滤波的思想,提出了一种基于高斯粒子JPDA滤波的多目标跟踪算法,利用高斯粒子替代JPDAF中的高斯量,提高了目标跟踪精度,降低了滤波方差。其次,根据目标运动存在的模糊性,提出了一种基于模糊聚类和粒子滤波的跟踪算法,采用最大熵模糊聚类方法来构建多目标滤波中的联合关联概率矩阵,然后利用粒子滤波实现对各目标独立滤波,仿真结果验证了算法的有效性。3.针对目标数未知或随时间变化的多目标跟踪问题,研究了基于有限集统计学的多目标跟踪理论。在GM-PHD滤波算法的基础上,提出了一种新的高斯混合粒子PHD滤波算法,通过一系列高斯分量的加权和来近似目标随机集的PHD,结合拟蒙特卡罗与高斯粒子滤波方法对其中的高斯分量进行预测与更新,该算法不需要通过聚类来确定目标状态,且高斯粒子的近似估计能达到渐近一致收敛。仿真结果表明算法改善了目标跟踪性能。4.针对PHD滤波不能提供可靠目标数估计的问题,研究了带势分布的PHD(CPHD)滤波方法。首先,将高斯混合粒子PHD滤波思想扩展到CPHD中,提出了一种新的高斯混合粒子CPHD滤波算法,利用一组高斯粒子滤波器来联合估计目标随机集的PHD及势分布,提高了目标跟踪精度,降低了目标数估计的方差。其次,对于混合线性/非线性状态空间模型,提出了一种新的粒子实现CPHD滤波算法,通过挖掘混合线性/非线性状态模型的结构信息,结合粒子滤波与最优卡尔曼滤波对各个目标的状态进行预测与估计,更好地估计多目标随机集的PHD及势分布,并运用结合了Mean-Shift算法的KDE理论提取PHD的峰值作为目标状态估计值,改善了目标跟踪性能。