贝叶斯估计是一种处理一般滤波问题常用的方法。实现贝叶斯估计关键是需要建立基于己获信息的后验概率密度函数，因为它包含了状态所有的统计信息。在线性系统中，状态的后验概率密度函数可以通过解析表达式的有限次递推得到。然而对于一般的非线性系统，这种解析表示式的递推并不容易实现，而且通常存在多重积分的求解问题。因此人们不得不采用一些次优近似算法，常见的有：基于矩估计的扩展卡尔曼滤波及其改进算法、基于对概率密度函数近似的算法、基于网格的积分近似算法。　　 粒子滤波技术是贝叶斯估计基于抽样理论的一种近似算法，通过非参数化的蒙特卡罗模拟方法来实现递推贝叶斯滤波，即通过一组动态状态空间上按贝叶斯准则进行更新的随机样本或粒子，对未知状态的后验概率密度进行估计，其中这些粒子通过对后验密度序贯重要性抽样得到，并分别对应于一组权值。当样本容量很大时，这种蒙特卡罗描述就等价于真实的后验概率密度函数。　　 本文主要研究了粒子滤波理论以及在无线通信系统中的应用。包括重要性函数的选取，重采样算法，并针对基本粒子滤波的缺陷，研究了其改进算法，并进行了仿真。重要性函数的选取直接影响着粒子滤波算法的性能，选择重要性概率密度函数的一个标准是使得粒子权值的方差最小。重采样算法是针对重要性采样算法存在的权值退化现象而提出的，目的是舍弃权值较小的粒子，代之以权值较大的粒子。在已有的重采样算法的基础上，提出了两种改进算法：排序残差重采样算法和系统残差重采样算法。仿真结果表明，改进的重采样算法在对状态变量估计时相对偏差的均值、最值和奇异值出现概率方面均优于已有的重采样算法。最后研究了粒子滤波在盲均衡和平坦衰落信道下盲检测的应用。仿真结果表明，和其他的均衡器相比，粒子滤波盲均衡器不需要训练序列，尚且BER已接近已知信道参数的均衡器的性能；粒子滤波盲检测器有较优越的性能，对不同通信条件的抵抗性较强，具有良好的鲁棒性。