随着控制和计算机技术的飞速发展,非线性滤波技术在信号处理、无线通信、自动控制、航空航天、计算机视觉、以及目标跟踪和识别等领域具有越来越广泛的应用。经典的卡尔曼滤波(KF)、扩展卡尔曼滤波(EKF)等算法在研究非线性、非高斯动态系统最优估计问题时,估计精度会明显下降甚至发散。而粒子滤波理论结合了贝叶斯估计理论和蒙特卡罗方法,适用于能用状态空间模型表示的非线性系统,以及传统卡尔曼滤波无法表示的非线性非高斯系统,精度可以逼近最优估计,并在目标跟踪领域得到了广泛的应用。本文主要围绕粒子滤波方法及其在目标跟踪中的应用开展相关研究工作,主要工作包括：1.在卡尔曼滤波理论的基础上,分析了扩展卡尔曼滤波(EKF)、不敏卡尔曼滤波(UKF)和迭代扩展卡尔曼滤波(IEKF)等主要的非线性滤波方法并进行了跟踪性能仿真对比实验,综合比较了算法优缺点,结果表明迭代扩展卡尔曼滤波(IEKF)算法的跟踪性能和滤波精度优于其他算法。2.重要性密度函数的选取对于改善粒子退化现象和滤波精度有着非常重要的影响,由于IEKF产生的重要性密度函数比EKF和UKF更接近于真实后验概率分布,估计精度更好。本文研究并仿真了一种基于IEKF的粒子滤波算法IEPF。结果表明,该算法的估计性能优于扩展卡尔曼粒子滤波(EPF)和不敏卡尔曼粒子滤波(UPF)。随后针对粒子滤波算法中由于重采样可能带来的粒子枯竭问题,在PF算法的基础上引入了基于马尔可夫链蒙特卡罗移动(MCMC)的PF-MCMC算法来增加粒子的多样性,并完成了性能仿真。结果表明PF-MCMC算法在滤波过程中保持了粒子的多样性,提高了跟踪精度。3.将粒子滤波算法与概率数据关联算法以及交互式多模型算法结合在一起形成了PDA-IMM-PF算法,并应于目标跟踪中。通过仿真实验验证了PDA-IMM-PF算法比基于UKF滤波算法的PDA-IMM-UKF有较高的跟踪精度。