粒子滤波(Particle Filter)是近些年来发展起来的一种有效的滤波处理技术,因其在解决非线性动态系统方面具有极大优势,在目标跟踪、图像处理等很多领域都有广泛的应用。粒子滤波是一种新的用来求解贝叶斯概率的方法,一般来说,它借助于非参数蒙特卡罗模拟的方法来实现递推贝叶斯滤波算法。近几年时间里,有关的理论和算法研究都得到了较快的发展,并且提出了许多有效地改进算法。目前粒子滤波已经成为国际上滤波理论的一个研究热点。首先,本文介绍了基于非线性动态系统的扩展卡尔曼滤波(Extended Kalman Filter)算法和无迹卡尔曼滤波(Unscented Kalman Filter)算法的基本理论以及遗传算法和粒子滤波算法的基本原理和实现步骤,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在高机动、非高斯、强噪声背景下精度不够、对模型不适应等缺点。其次,无迹卡尔曼滤波算法具有对滤波初始值和状态模型误差比较敏感的特点,本文在UKF算法的基础上引入了强跟踪的自适应算法,用于解决载体运动规律与滤波模型不匹配的问题。最后,以粒子滤波为基础,提出了基于自适应卡尔曼粒子滤波算法并和常规方法进行了对比分析。首先是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,采用改进的自适应强跟踪UKF生成粒子滤波的提议分布,并从中抽样粒子,使得粒子的分布更加接近状态的后验概率分布。其次,在粒子滤波的重采样过程中加入自适应GA-MCMC算法,利用遗传算法全局寻优和保持子代多样性的特性,以及马尔可夫链蒙特卡罗方法的收敛性。本文提出的自适应卡尔曼粒子滤波算法仿真结果表明可以很好的缓解在迭代过程中出现的粒子退化和贫化问题。