信号处理发展至今,大多数理论和技术成果仍是在随机信号服从高斯分布的假设下取得的,且所分析的信号系统为线性模型。然而实际信号的统计特性并不总是符合高斯假设,复杂信号也并非线性模型所能完全描述。正因为如此,对非高斯、非线性信号的处理成为目前信号处理领域的热点和发展方向。基于状态空间模型的递推贝叶斯估计理论是卡尔曼滤波、粒子滤波等滤波算法的理论框架。卡尔曼滤波只能用于线性高斯系统,而在其基础上发展而来的扩展卡尔曼滤波、无味卡尔曼滤波等滤波算法随着状态维数的增高会导致运算量的迅速增大,而且仅传递一、二阶的统计信息,在非线性、非高斯特性较强时滤波性能急剧下降甚至会发散。粒子滤波通过蒙特卡洛方法完成递推贝叶斯滤波,其核心是使用具有相应权值的随机样本集合(粒子)来表示所需要的后验概率密度,这种近似方法适用于各种非线性、非高斯、高维的状态估计问题,可以有效的克服以往滤波算法的缺陷。本文围绕粒子滤波的原理和相关应用,分析了粒子滤波的关键问题,提出了对粒子滤波的改进和新的应用,研究了粒子滤波在定位跟踪问题中的应用。主要工作和创新点总结如下:分析了重采样算法的原理并提出了一种基于人工免疫思想的重采样算法,有效克服了粒子贫化问题。粒子退化问题是最初影响粒子滤波理论发展的重要障碍。在研究者提出重采样算法后粒子退化问题得到基本解决,但是重采样过程又不可避免的带来了粒子贫化问题。本文借鉴了人工免疫算法的思想,重新设计了一种人工免疫重采样算法,有效的增加了粒子的多样性,缓解粒子贫化问题给粒子滤波带来的影响。为充分利用粒子滤波算法中后验概率密度函数提供的统计信息,提出了一种基于四阶风险函数的贝叶斯估计。由于粒子滤波可以用大量具有相应权值的随机样本来逼近系统状态的后验概率密度函数,而后验概率密度函数包含了系统状态量的所有统计信息。而多数滤波算法都给出的是最小均方误差意义下的估计,只利用了一、二阶的统计信息,在非线性、非高斯特性较强时估计性能都会严重下降。为了充分利用系统状态量的统计信息,本文提出了一种四阶的风险函数,并通过使该风险函数最小推导出了基于四阶风险函数的贝叶斯估计。虽然基于四阶风险函数的贝叶斯估计子中包含了与待估计参数和后验概率分布有关的积分运算,但是与粒子滤波结合起来这些积分运算都很容易得到。以状态噪声和观测噪声都服从Alpha稳定分布的单变量非静态增长模型为例,将粒子滤波应用于该模型的状态跟踪估计问题,使用基于四阶风险函数贝叶斯估计其性能明显优于采用最小均方误差估计的情况。针对在TDOA定位技术中非常重要的高精度时钟同步问题提出了一种基于GPS和粒子滤波的在线TIE估计算法。由于TDOA定位体制下定位精度严重依赖于信号到达时间的测量精度,因此定位节点的时钟同步问题成为影响定位精度的重要因素。利用GPS时钟实时估计晶振时钟的时间间隔误差并加以补偿可以获得高精度的时钟。研究表明晶振衰老率服从对数衰老模型,以往研究中用线性模型描述晶振的漂移并不十分准确。本文基于上述对数衰老模型建立了新的晶振时钟漂移模型,并将粒子滤波应用于该非线性模型中。同原有方法相比,基于粒子滤波的TIE估计算法可以获得更好的估计性能。针对室内无线定位中非线性模型下的跟踪问题,提出了基于粒子滤波和概率密度分布位置指纹的定位跟踪算法。利用无线局域网基于接收信号强度(RSS)的无线定位技术由于其成本较低、布设方便因而成为室内无线定位技术的研究热点。本文采用直方图法和核函数法表示RSS的概率分布,并将其作为每个位置的位置指纹,充分利用样本的统计信息,明显提高了定位跟踪中的精度。同时直接将RSS测量值作为观测量构造了非线性的基于的移动目标跟踪模型,并将粒子滤波应用于上述非线性跟踪模型中,在分别使用对数正态模型和基于RSS概率分布函数的位置指纹时,粒子滤波跟踪算法都获得了较原有跟踪算法更好的跟踪性能。针对无线传感器网络中的定位跟踪问题,提出了一种同时利用TOA/TDOA和RSS信息的混合定位跟踪算法。无线传感器网络中实现TOA/TDOA测量对节点要求较高,定位精度也较高;目标的RSS测量很容易获得,但定位精度较差。为了充分利用两种定位技术的优点,本文提出了一种基于TOA/TDOA和RSS的混合定位跟踪算法,通过粒子滤波将两种测量信息都作为观测量,并以此为基础建立了非线性的定位跟踪模型。采用这种混合定位跟踪算法可以充分利用两种测量信息的优点,同时在定位跟踪过程中无需利用传统的几何方法求解目标位置,最少可以仅利用一个节点完成TOA测量,其他定位节点只需测量RSS信息。通过仿真验证了新算法的有效性,并讨论了混合定位跟踪算法中两种定位节点合理的选取方式。