在对机动目标跟踪的方法中，基于传统的Kalman滤波器最为常用，因为它在系统的动态模型都是线性且噪声是高斯的条件下是最优解。通过Kalman滤波器求解出的状态后验概率分布是解析解，而不是近似逼近值。然而由于工程等实际应用条件，在系统的动态模型中不得不加入非线性非高斯因素，即系统动态模型变为非线性的，高斯噪声变为非高斯的。那么这时候传统的Kalman滤波器就已经无法很好的解决这类问题了。由Gordon完成的粒子滤波器用近似逼近状态后验概率分布的方法很好地解决了这个问题，它在动态模型为非线性且噪声为非高斯的条件下，对机动目标跟踪的性能要远远地好于Kalman滤波器。首先，概要介绍传统的Kalman滤波器，以及有所改进的扩展Kalman滤波器。其次，为了能更好地解决在动态模型为非线性且噪声为非高斯的条件下对机动目标的跟踪问题，通过概率统计理论详细阐述粒子滤波器基本原理。然后，针对不同的使用条件，根据粒子滤波器的基本理论做出适当的修改和整理，就得到了四个相关的粒子滤波器的变型，使用MATLAB把它们对机动目标的跟踪性能作了详细地计算机模拟仿真且用均方根误差更加精确地进行了比较。最后，把粒子滤波器运用到近年来被人们越来越关注的无线传感器网络中，结合数据融合、后验概率分布的熵、核表示等算法实现了对网络中机动目标的跟踪，并且使用MATLAB对这一应用做了详细的计算机模拟仿真。