现实生活中,人们通过卫星导航系统可以实现对目标的精确定位。在卫星信号丢失或无法有效作用的区域,雷达、红外系统可以用来辅助进行目标的跟踪。目标跟踪在军用的潜艇、导弹和民用的汽车驾驶领域都发挥着重要作用。生活中的应用场景是非线性的,同时叠加着各种噪声。估计问题就是从含有噪声的观测信号中恢复出目标真实的状态,因此估计问题有着深刻的现实应用背景与重要的研究意义。基于蒙特卡罗思想的粒子滤波在非线性估计中得到了广泛应用,因此粒子滤波算法成为了非线性估计领域的研究热点。引入重采样的思想解决了粒子滤波算法的退化问题,提高了估计的精度。但重采样用大权值粒子替代小权值粒子的机制造成了粒子种类的匮乏,影响了估计的准确性。重采样操作造成了粒子多样性的缺失,如何提高粒子的多样性是一个重要的研究问题。本文首先讨论了多项式重采样（随机重采样）、系统重采样、分层重采样、残差重采样的具体思路与实践方法。利用Matlab仿真软件对不同重采样算法的性能进行验证,讨论重采样算法在粒子滤波算法中的作用,并将其应用到后续的改进算法中。重采样涉及到对粒子的取舍,因此必然造成粒子多样性缺失的问题。在深入研究了群智能优化算法后,选用萤火虫算法并加以改进应用到粒子滤波过程中,提出了基于最优邻居引导萤火虫移动的粒子滤波算法。在萤火虫个体相对亮度的计算中引入最新时刻的观测值。随着萤火虫个体不断向最优值靠近,个体间距离不断减小,吸引度增加。个体在最优值附近震荡的机率增加,引入递减函数更新吸引度的大小。萤火虫算法中个体间要两两比较亮度增加了算法的复杂度,论文利用最优邻居引导萤火虫个体移动并控制搜寻的范围。最后通过距离模型、角度模型、距离和角度模型三个实验对比了不同噪声条件下改进算法与粒子滤波算法的性能,仿真结果表明改进算法跟踪效果优于粒子滤波算法,并分析原因。