对目标进行定位和跟踪是典型的动态系统状态估计问题，在模型满足线性、高斯条件下，很多滤波算法可获得很好的跟踪效果。但若目标在高机动、多模型、非高斯、强噪声的运动背景下，在高斯假设条件下的卡尔曼滤波、扩展卡尔曼滤波等算法将出现滤波精度下降和发散现象。粒子滤波方法作为一种基于贝叶斯估计的非线性滤波算法，在处理非高斯非线性时变系统的参数估计和状态滤波问题方面有独到的优势，因此获得了很大的发展。本文以目标跟踪为研究背景，以粒子滤波为研究对象，提出了几种改进的粒子滤波算法并对此进行对比分析。主要工作如下： 1.介绍了一些常用的目标跟踪算法的滤波理论，如扩展卡尔曼滤波、无味卡尔曼滤波等，这些滤波算法在目标跟踪领域都取得了较好的跟踪效果。但同时它们都存在着精度不够、对模型不适应等缺点。 2.以粒子滤波为基础，提出了几种改进的粒子滤波算法并进行了对比分析。 首先是在粒子滤波的基础上融合了扩展卡尔曼滤波算法，融合后的新算法在计算提议概率密度分布时，粒子的产生充分考虑当前时刻的量测，使得粒子的分布更加接近状态的后验概率分布。 其次由于状态转移先验概率中未考虑当前测量对状态估计的作用，为克服传统粒子滤波算法采用状态转移先验概率作为粒子滤波提议分布的缺点，采用UKF生成粒子滤波的提议分布，并从中抽样粒子。基于此，提出了基于无味粒子滤波的目标跟踪算法。由于考虑到当前观测值在状态后验估计中产生的影响，改善了目标状态估计的性能，且实验所需粒子数目大大少于传统粒子滤波算法所需粒子数目。 最后又在以上两种算法的基础上提出了基于MCMC(Markov Chain Monte Carlo)的粒子滤波算法。在目标跟踪领域，MCMC方法一般被用作两个用途，一是寻找最大后验概率估计(MAP)，这主要是由于蒙特卡罗方法可以得到最优的估计样本；二是在传统的粒子滤波框架的基础上使样本更加多样化。