状态估计是通过利用一系列量测数据来计算得到未知系统状态的方法。本论文以近来发展迅速的序列蒙特卡罗方法(又称粒子滤波)作为主要工具，以求更好地解决水声通信中的问题。本文的主要工作如下：　　 通过综合分析浅海声信道主要特点以及海中声波传输损耗、多途、海洋环境噪声和多普勒频移对水声数据传输的可能影响和水声信道的衰落特性。针对时不变的浅海多途水声信道进行水声信道的理论研究和仿真分析，基于传统射线理论的N径确定性模型，构建了水声通信系统仿真模型。　　 由贝叶斯迭代估计入手，讨论了贝叶斯框架下的最优估计问题。卡尔曼滤波在线性高斯条件下给出了最大后验准则下的最优解以及扩展卡尔曼滤波、不敏卡尔曼滤波等各类非线性滤波方法，分析了它们的滤波性能以及各方法之间的关系。　　 介绍了应用最广泛的粒子滤波方法，利用转移先验作为建议分布的Bootstrap滤波器和采用局部线性化技术产生建议分布的粒子滤波算法及改进Bootstrap滤波算法。着重研究了EKPF和UPF。介绍了基于奇异值分解的新粒子滤波算法。从理论上分析了粒子滤波的收敛性和一定滤波精度下需要的粒子点数的问题。　　 构建基于粒子滤波的频率跟踪方法，通过实验证实粒子滤波比EKF方法有较好的跟踪性能和稳定性，其频率跟踪的均方误差与后验CRLB在同一数量级。　　 通过将MIMO时变频率选择性信道建模为AR过程，利用序贯蒙特卡罗滤波进行时变信道跟踪。在信道噪声是非高斯的情形下，序贯蒙特卡罗滤波的跟踪性能优于卡尔曼滤波。　　 用粒子滤波方法进行信号与参数的联合估计，把参数和信号看成一个联合的高维状态，对高维状态的后验分布进行估计来解决状态空间模型中含有未知参数的半盲问题。