卡尔曼滤波算法是目标跟踪中最常用到的滤波算法之一,它是线性高斯噪声下的最优估计滤波算法,但是这种算法在非线性非高斯噪声下的滤波效果并不理想,甚至会产生发散现象。在卡尔曼滤波算法的基础上进行改进,出现了扩展卡尔曼滤波算法。为了更好的非线性环境中完成对机动目标的跟踪,近年来又产生了很多新兴的滤波算法用于非线性环境,粒子滤波算法就是这些新兴滤波算法中的一种。标准粒子滤波算法存在很多缺点,比如有发散现象、粒子数出现匮乏等,对粒子滤波算法进行改进,产生了各种改进的滤波算法,如扩展卡尔曼滤波算法、不敏卡尔曼滤波算法、自适应粒子数粒子滤波算法、马尔卡夫(MCMC)粒子滤波算法、交互式多模型粒子滤波算法等。这些经常用到的滤波算法都有其适用的环境,用到其它的环境都会出现较大的滤波误差。目标跟踪中经常使用到的模型算法有CA/CV模型、当前统计模型以及交互式多模型算法,用到的滤波算法包括卡尔曼滤波算法、扩展卡尔曼滤波算法以及粒子滤波算法等。粒子滤波算法中采样粒子数、过程噪声以及量测噪声会对粒子滤波算法的滤波效果产生很大的影响,本论文将会研究对于同样的模型,最适合它的采样粒子数,并研究过程噪声以及量测噪声对粒子滤波算法的滤波效果产生的影响。同为非线性滤波算法,粒子滤波算法相比扩展卡尔曼算法有很大的优势,它的算法复杂度不受积分方程维数的影响,算法的复杂度仅和采样粒子数有关。但是粒子滤波的滤波效果是和采样粒子数目有关的,当采样粒子数比较少时,粒子滤波的滤波效果可能还是要比扩展卡尔曼滤波差。本论文将要取不同的粒子数对比粒子滤波算法与扩展卡尔曼滤波算法的滤波效果。在以往对粒子滤波的研究文献中都提到了在重采样时要设立一个采样门限值,当有效的粒子数目低于这个值时才进行重采样,理论上这样会降低重采样的次数。但是这样就必须去计算采样门限,这样反而会增加算法的复杂度,延长算法的完成时间,另外因为有效样本数高于采样门限值不进行重采样,也会造成粒子一定程度的退化现象,这样也会影响最后的滤波效果。在改进的粒子滤波算法中,将对比扩展卡尔曼粒子滤波、正则粒子滤波、线性优化组合粒子滤波的滤波效果,并把效果最好的粒子滤波改进算法应用到交互式多模型算法中,研究这种算法的滤波效果。