随机动态系统的状态滤波与平滑问题广泛存在于各种工程应用与科学研究领域。粒子滤波与平滑作为一类处理非线性非高斯随机动态系统的状态滤波与平滑问题的强有力算法正在被广泛使用。现有的粒子滤波与平滑算法通常假设系统不存在非独立噪声和多步随机量测延迟。然而,在一些实际工程应用中,如目标跟踪、定位、导航、网络控制系统等,非独立噪声或多步随机量测延迟是不可避免的。在此情形下,由于忽略了非独立噪声和多步随机量测延迟的影响,现有的粒子滤波与平滑算法将会出现估计精度降低甚至是完全失效的情况。因此,本文将针对具有非独立噪声及多步随机量测延迟的如下四类随机动态系统,根据各类系统的特点,分别考虑其相应的粒子滤波与平滑算法的设计问题。本文主要研究内容概括如下:（1）针对具有系统噪声与量测噪声一步异时刻非独立、量测噪声一步非独立这两类非独立噪声的随机动态系统,先通过概率密度变换将其概率模型表示统一为同一类广义隐马尔可夫模型。针对该广义隐马尔可夫模型建立了包括前向滤波、前向—后向平滑、双滤波器平滑、广义双滤波器平滑在内的贝叶斯滤波与平滑公式。将前向滤波公式与蒙特卡罗抽样方法相结合,并引入辅助变量抽样来充分利用量测信息,提出了辅助粒子滤波算法。将前向—后向平滑公式与蒙特卡罗抽样方法结合,提出了前向滤波后向平滑算法和前向滤波后向模拟算法。为了降低前向滤波后向平滑算法的计算复杂度,提出了基于辅助变量抽样的简化前向滤波后向平滑算法。为了解决前向滤波后向模拟算法的高计算复杂度与平滑粒子状态多样性匮乏问题,利用拒绝抽样与Metropoli s-Hastings抽样提出了三种改进前向滤波后向模拟算法。将广义双滤波器平滑公式与蒙特卡罗抽样方法相结合,提出了广义双滤波器粒子平滑算法和基于辅助变量抽样的简化广义双滤波器粒子平滑算法。（2）针对具有上述两类非独立噪声的混合线性/非线性高斯随机动态系统,利用噪声解相关技巧将系统转化为同一类广义混合线性/非线性高斯随机动态系统。针对该广义系统的滤波问题,通过对非线性子状态和条件线性子状态分别采用粒子滤波与卡尔曼滤波,提出了 Rao-Blackwellized粒子滤波算法。为了提高Rao-Blackwellized粒子滤波算法的抽样效率,提出了最优与次最优重要性密度函数。针对该广义系统的平滑问题,通过对非线性子状态和条件线性子状态分别采用后向模拟与Mayne平滑（或Rauch-Tung-Striebel平滑）,提出了Rao-Blackwellized粒子平滑算法。为了解决后向模拟的高计算复杂度与平滑粒子状态多样性匮乏问题,提出了基于Metropoli s-Hastings抽样的两种改进Rao-Blackwellized粒子平滑算法。（3）针对具有多步随机量测延迟与丢包的随机动态系统,通过考虑多步随机量测延迟与丢包对实际量测的影响,建立了系统对应的概率模型表示。针对该概率模型表示中量测概率密度函数的计算问题,利用全概率公式给出了量测概率密度函数的解析表达式。针对该概率模型表示建立了包括前向滤波、前向—后向平滑在内的贝叶斯滤波与平滑公式。将前向滤波公式与蒙特卡罗抽样方法相结合提出了辅助粒子滤波算法,并提出了最优及次最优重要性密度函数来提高抽样效率。将前向—后向平滑公式与蒙特卡罗抽样方法相结合,提出了前向滤波后向模拟算法。为了解决前向滤波后向模拟算法的高计算复杂度问题,提出了一种基于Metropolis-Hastings抽样的简化前向滤波后向模拟算法。（4）针对具有多步随机量测延迟与多次量测重发的随机动态系统,通过考虑多步随机量测延迟与多次量测重发对实际量测的影响,建立了系统对应的概率模型表示。针对该概率模型表示中量测概率密度函数的计算问题,通过考虑实际量测之间的非独立性以及随机延迟与实际量测之间的非独立性给出了一种更精确的量测概率密度函数计算方法。针对该概率模型表示建立了包括前向滤波、前向—后向平滑在内的贝叶斯滤波与平滑公式。将前向滤波公式与蒙特卡罗抽样方法相结合提出了一种自举粒子滤波算法。同时,针对具有不同延迟特性的多传感器情形,提出了一种集中式融合粒子滤波算法。将前向—后向平滑公式与蒙特卡罗抽样方法相结合,提出了前向滤波后向模拟算法。为了解决前向滤波后向模拟算法的高计算复杂度问题,提出了一种基于Metropoli s-Hastings抽样的简化前向滤波后向模拟算法。