随着现代科学技术和工程技术的发展,目标跟踪理论形成了经典的维纳滤波(频域法)和近代卡尔曼滤波(状态空间法)的两大理论体系。目前卡尔曼滤波理论基本上取代了维纳滤波理论,经典的维纳滤波方法基本上不适应现代目标跟踪系统的需求。在目标跟踪领域,最常用的经典滤波算法是卡尔曼滤波(KF,Kalman Filter)和扩展卡尔曼滤波(EKF,Extended Kalman Filter),其中前者用于线性系统,后者用于非线性系统。KF是最小均方意义下的最优滤波算法,EKF则是利用一阶泰勒展开将非线性系统线性化而得到的一种次优滤波算法,在非线性不是特别严重的情况下,EKF有着近似最优的滤波效果。上述两种方法在当系统噪声和观测噪声满足高斯分布特性的时候具有较好的滤波性能,而对于非高斯分布噪声上述滤波方法的指标下降,甚至出现发散。因此,人们开始关注非线性、非高斯情况下的滤波方法。传统的机动目标跟踪算法主要是交互式多模型-扩展卡尔曼滤波算法(IMM-EKF,Interactive Multi Model– Extended Kalman Filter),本算法对目标机动有比较好的适应性,但是却对非高斯观测噪声无能为力。针对非高斯机动目标跟踪则仍需要进一步研究。近年来对非线性滤波问题的研究非常广泛,其中粒子滤波算法得到了更为广泛的关注。本论文以非线性、非高斯噪声环境下的目标跟踪为主要背景,研究弹道导弹目标粒子滤波算法。粒子滤波算法是一种通过蒙特卡罗仿真方法来完成一个贝叶斯递推过程的滤波算法。本文通过对粒子滤波算法基本理论的分析和对该算法存在的问题的研究,详细阐述了(近似)最优重要性密度函数粒子滤波算法和进化粒子滤波算法,分析了上述两种滤波方法的优缺点,并于最后通过对粒子滤波算法所存在的粒子数匮乏和粒子多样性丧失问题的分析以及鉴于减少运算量和满足实时性的考虑,提出了一种基于新的采样方法的粒子滤波算法,并应用到弹道导弹目标跟踪。仿真结果表明这种新的粒子滤波算法能够很好地解决非高斯机动目标跟踪问题。