国内外研究人员对于非线性系统的状态估计问题一直高度重视,这个问题已经成为了一个具有重要的理论意义和使用价值的热点课题。贝叶斯滤波理论中的代表:卡尔曼滤波器只能处理线性、高斯的问题,但在现实生活中多数情况是非线性,非高斯的问题,这时粒子滤波便可以发挥其特点和长处。粒子滤波方法是一种基于蒙特卡罗的最优化处理方法,作为贝叶斯估计理论下的非线性滤波方法,粒子滤波方法在目标跟踪领域得到了广泛的应用,尤其是在处理状态滤波和非线性非高斯系统中的参数估计问题上具有独到的优势。　　随着近些年来计算机计算能力的快速提高,以及粒子滤波方法本身所具备的处理复杂的非线性、非高斯问题的能力,粒子滤波方法逐步成为非线性系统状态估计领域的流行算法,它在信号统计处理、经济学、生物统计学、通信、目标跟踪、故障诊断、卫星导航和声纳定位等各个领域具有广泛的应用前景。　　本文首先以贝叶斯理论为框架,分析了其中的关键技术和要点,针对几种经典的滤波(卡尔曼滤波、扩展卡尔曼滤波、无迹卡尔曼滤波)的技术特点,适用范围和所存在的问题进行了具体的讨论。接着针对实际中常见的非线性非高斯系统的状态滤波问题,阐述了粒子滤波的原理;并对扩展卡尔曼滤波和粒子滤波的跟踪效果进行比较。通过所构建的一维模型进行仿真实验,重点研究了粒子滤波中粒子数目对跟踪性能的影响。　　然后在研究几种常用的粒子滤波重采样算法的实现过程和理论分析的基础上,针对多项式重采样算法的缺点,结合系统重采样算法提出了一种改进的重采样算法。并将改进重采样算法和多项式重采样算法、残差重采样算法、系统重采样算法等几种常用的重采样算法进行了实验比较分析。实验结果表明,改进的重采样算法的性能要优于目前常用的几种重采样算法。　　接着对几种不同的改进粒子滤波方法进行了深入的研究,针对粒子滤波的改进主要集中于重要性密度函数的选取和再采样步骤的优化,提出了一种基于无迹粒子滤波的改进算法,该算法考虑到重要性密度函数对于改善粒子退化现象和滤波精度的重要性,通过分析扩展卡尔曼粒子滤波和无迹粒子滤波方法的特点及其建议概率密度函数的构成,从运算量与跟踪性能两方面出发,将无迹粒子滤波粒子使用效率高和扩展卡尔曼粒子滤波运算量相对较少的优点相结合,仿真实验证明改进算法同无迹粒子滤波相比较,在跟踪效果几乎不变的情况下,节约了大量的运算量。