滤波是控制与信号处理领域中的重要分支,它以测量输出为基础,通过事先设定的滤波准则,采用合适的统计最优方法对系统内部不可直接测量的状态进行估计。目前基于一般线性系统的滤波理论和方法已日臻完善。而在实际系统中,非线性现象普遍存在,这导致系统的分析与设计中存在本质性的困难。在估计的过程中,为了提高精度往往需要大量的采样点来对系统进行更新,这会导致计算资源浪费。而利用事件作为滤波过程的驱动方式,可以选择性的利用采样点来达到和传统滤波方法同样的效果,并有效地减少计算量。因此,发展一种基于事件驱动的滤波方法既具有广阔应用前景又极具挑战性。本文结合国内外最新研究成果,针对线性最优卡尔曼滤波、无序滤波和非线性粒子滤波技术的局限性,提出了利用事件来驱动采样或筛选粒子的方法,并基于这种驱动方式对传统卡尔曼滤波、无序滤波和粒子滤波方法进行一定的改进和优化,设计更具实际应用价值的滤波算法。本文主要研究内容及贡献包括:（1）针对传统卡尔曼滤波算法实时性差的问题,提出了基于面积差驱动的采样方法,针对该采样方法设计了改进的卡尔曼滤波器并分析了稳定性,改进后卡尔曼滤波算法与传统的方法相比,在相同的滤波效果下,节省了大量的计算资源。仿真验证了所得理论结果的正确性和有效性。（2）针对无序滤波问题,分析了现有的无序滤波方法的局限性,从减少系统所需的存储量,提高滤波速度角度出发,提出了检测无序量测值对系统状态更新有效性的方法,在此基础上提出了基于量测信息量驱动的无序量测滤波方法。该方法计算量小,实时性好。仿真验证了所提算法的有效性。（3）针对粒子滤波存在的粒子退化、样本贫化等问题,提出了一种新的粒子采样方法,该方法用皮尔森系数来驱动筛选并产生新的粒子群的过程,能有效减少粒子退化和样本贫化的问题,且能获得较好的估计精度。给出了该算法的稳定性分析。数值仿真验证了该方法的有效性。（4）针对粒子滤波预测过程中粒子分散的问题,给出了利用平滑边界层来驱动粒子滤波预测过程中粒子的重采样过程,该方法通过控制粒子的分布来增加粒子的有效性,从而减少粒子退化和样本贫化的问题。仿真验证了该算法的正确性和有效性。