在多传感器系统中,由于传感器性能差异或者通信网络滞后,往往会导致传感器获得的量测时间戳与该量测实际到达融合中心的时间顺序不一致,较早时刻的量测会在较晚时刻的量测之后到达融合/估计中心,即所谓“无序量测”。进一步地,由于状态演化和量测转换的复杂性,实际系统中广泛存在模型非线性甚至非高斯的情况。针对上述无序量测下非线性非高斯动态系统,传统的贝叶斯滤波难以获得解析解,需要通过数值近似的方法实现贝叶斯递推。粒子滤波（Particle Filter,PF）通过大量的权值样本近似后验概率密度函数给出了递推贝叶斯滤波的有效高精度实现。但是,传统的基于序贯重要采样-重抽样（Sequential Importance Sampling-Resampling,SIR）的粒子滤波（SIR-PF）仅从单一的建议分布中采样,在无序量测的情况下,这种单一性的重要性采样函数的设计由于需要考虑不同时刻量测存在的可能性会变得异常复杂,并加剧粒子贫乏的问题。为克服上述问题,本文提出了无序量测下多重重要采样粒子滤波算法,从多个建议分布组成的混合分布中采样,增加了采样粒子的多样性,以改善粒子贫乏的问题。主要工作内容如下:（1）针对无序量测下非线性系统的递推滤波问题,提出了多重重要采样粒子滤波算法。利用确定性混合多重重要采样（Deterministic Mixture Multiple Importance Sampling,DMMIS）,设计了基于正常量测下多重重要采样粒子滤波（DMMIS-PF）算法;进一步地,考虑量测抵达时滞性,提出了无序量测下多重重要采样粒子滤波算法;利用每个粒子构造自身采样分布并通过重组,构成确定性混合多重采样分布以进行权重更新,给出了所提算法的数值近似实现。在量测顺序抵达且过程噪声多模态的目标跟踪场景,所提DMMIS-PF相比于SIR-PF具有更高的估计性能;在单步、多步无序量测下的随机游动模型仿真场景,所提无序量测下DMMIS-PF具有比无序量测下SIR-PF更高的估计精度。（2）针对系统参数多模态下建模为跳变马尔可夫系统的估计问题,考虑量测无序性,提出了多重重要采样下多模型粒子滤波。在多模型框架下,设计了正常量测下多重重要采样的多模型粒子滤波（IMM-DMMIS-PF）;进一步地,结合RTS平滑方法,提出了无序量测下基于多重重要采样的多模型粒子滤波,克服模型切换与量测时滞耦合导致的后验概率多模态引起的重要性采样函数难以设计的问题。在多模型机动目标跟踪场景,所提正常量测下IMM-DMMIS-PF相比于多模型SIR-PF具有更好的估计精度;在过程噪声协方差服从跳变马尔可夫过程的随机游动仿真场景,考虑单步滞后无序量测,所提方法的估计精度优于相应无序量测下多模型SIR-PF。