最优滤波，又叫最优估计，即通过一定的滤波准则或某种统计最优的方法从被噪声淹没的信号中分离出尽可能准确的有用信号估计值的理论。最优滤波理论经过几十年的发展，现已经形成了一定的理论框架和体系，它主要包括了Wiener滤波，Kalman滤波（KF，Kalman filtering）以及近些年来逐渐被重视的粒子滤波（PF，Particle filtering）。最优滤波理论现已出现和应用在了如目标跟踪，导航，地震测量，石油勘探，金融数据分析等各个领域，并且随着滤波理论的不断完善，它还将有更广阔的应用前景和空间。　　 本文在前人的工作的基础上，研究了与Kalman滤波和粒子滤波结合的融合算法，同时也研究了改善粒子滤波粒子多样性丧失的问题，主要的工作包括以下几个方面:　　 (1)本文讨论了把高斯马尔可夫融合算法与Kalman滤波或粒子滤波相结合的问题。针对传统融合方法须要计算局部滤波的误差互协方差阵从而导致过程繁琐和复杂的问题，采用高斯马尔可夫融合算法，只关心每个传感器的精度（本文表现为量测噪声的方差），可以省去一些复杂的计算过程从而提高效率，而且也能保证与上述常用方法相当的精度。　　 (2)本文进一步研究了把一种实用的数据融合方法与Kalman滤波或粒子滤波相结合的问题。该方法与高斯马尔可夫融合方法相比需要已知的信息进一步减少，只需要知道各个滤波器的每个时刻的估计结果就可以了，且与传统的三种方法相比在效率和计算负担方法均有优势，且融合精度不会下降。　　 (3)粒子滤波经过多次迭代后的粒子会由于重采样导致多样性逐渐丧失，从而有可能导致与真实的后验密度误差变大而影响最后的估计结果。针对此问题，本文提出了一种改进的粒子滤波来改善粒子多样性丧失问题，仿真实验证明了其可行性。　　 (4)本文讨论和研究了一些具有实际物理意义的模型并进行了仿真，尤其是在运动目标跟踪问题上作了较多工作，在计算机上进行了仿真验证，对前面提到的方法也有所应用，进一步证明了其有效性和可行性。　　 本文对最优滤波中的Kalman滤波和粒子滤波理论进行了研究和分析，然后通过一系列的建模仿真验证了本文采用的融合方法和提出的改进算法的可行性。