非线性系统的状态估计问题,一直是国内外学者研究的热点课题,有重要的理论意义和应用价值。因为粒子滤波算法不受系统模型特征和噪声分布的限制,非常适合处理非线性非高斯的问题,目前已经在导航、统计学、经济学等不同领域得到了应用。本文主要对粒子滤波算法重要性采样密度函数改进及其在GNSS数据处理中的应用进行了研究,论文主要内容概括如下:详细介绍标准粒子滤波原理。从贝叶斯估计原理、蒙特卡洛方法开始介绍,推导了粒子滤波算法的流程。将粒子滤波算法应用于GNSS数据处理中,处理结果表明对比传统的最小二乘算法,粒子滤波计算结果精度更高。针对粒子滤波算法中重要概率密度函数的设计问题,采用容积卡尔曼滤波作为粒子滤波的建议分布函数,由于融合了最新的量测信息,提高了采样粒子的精度和稳定性,从而有效的抑制了粒子退化,利用仿真数据结果验证了改进算法的可行性和有效性。针对动态单点定位中的数学模型与实际不符合而导致滤波精度下降的问题,引入自适应因子,设计了新的粒子滤波建议分布函数,在GNSS动态数据处理中,验证了自适应均方根容积粒子滤波算法提高了数据处理精度。