随着统计信号处理技术的不断发展,非线性滤波问题受到越来越广泛的关注,其基本任务是从受噪声污染的观测量中递推地估计不可观测的系统状态。粒子滤波是近年发展起来的一种非线性滤波方法,它通过非参数化的蒙特卡罗模拟方法来实现递推贝叶斯滤波算法。采用粒子描述状态空间,用由粒子及其权重组成的离散随机测度近似真实的状态后验分布。但是经过几次迭代以后,粒子滤波普遍存在退化现象。针对粒子滤波算法中存在退化现象的问题,本文提出了粒子滤波算法的一种改进算法。首先,提出改进粒子滤波算法的基本思想,将U粒子滤波算法和MCMC粒子滤波算法相结合,产生具有MCMC移动步骤的U粒子滤波算法。该算法采用UKF算法将最新观测量引入状态估计,以获得更好的重要性函数,在重采样步骤后采用MCMC方法,增加粒子的多样性,改善算法的性能。其次,对提出的具有MCMC移动步骤的U粒子滤波算法,进行性能分析,从样本产生和对MCMC移动步骤的使用两个方面对算法进行改进,减小了算法的计算量,提高算法的运算速度。最后,将粒子滤波的基本算法和本文提出的改进算法应用到信道盲均衡的实验中。先将使用粒子滤波算法与EKF算法的误比特率进行了比较；再将使用各种现有的粒子滤波改进算法的误比特率进行了比较；然后将使用现有算法中误比特率最低的算法与本文提出的算法的误比特率进行了比较,并且分析了各种算法的均方根误差。性能分析和仿真实验结果都表明,本文提出的改进的粒子滤波算法既能减小基本算法的均方根误差和误码率,同时又能提高算法的运算速度。将改进算法应用在信道的盲均衡中,符合对通信精度和实时性的要求。