粒子滤波是在蒙特卡罗方法和贝叶斯理论的基础上发展起来的一种滤波方法。它的基本思想是把要求解的状态空间上的概率分布用粒子集合来近似。这里状态空间中的粒子其实就是统计学中的样本,它们是根据系统状态向量的条件分布用蒙特卡罗抽样技术产生的。对应于粒子集合的初始经验条件分布对要求解的概率分布的逼近程度一般说来精度不够,需要根据不断的量测来调节粒子的位置和权重。通过新的粒子信息对经验条件分布进行修正,从而得到接近真实值的问题的解。粒子滤波算法普遍存在的问题是粒子多样性减弱的问题以及不可避免的粒子退化现象。重采样可以改善粒子滤波算法的退化问题带来的影响,但另一方面,不断的重采样使权重高的粒子被反复的复制,而权重低的粒子可能被抛弃,从而丧失粒子多样性。遗传算法是一种重要的智能优化方法,该算法的遗传步骤相似于粒子滤波算法的重采样步骤。本文在融入了遗传算法的粒子滤波算法的基础上,提出了利用Sigmiod函数来构造交叉变异概率函数的方法,以期提高粒子集的多样性。具体的操作步骤是先根据粒子的权值大小判断其是否需要进行交叉和变异;若需要,则通过本文构造的自适应交叉概率公式和变异概率公式对粒子集合进行更新。最后保留权值较大的粒子,利用较大的变异概率改变权值较小的粒子。这样就保持了粒子集的多样性,使粒子滤波算法得到优化。研究了粒子滤波算法和自适应遗传算法对于粒子分布状态的预测估计和真实分布之间的误差问题。本文在上述方法的基础上采用KL距离(Kullback-Leibler Divergence)来度量粒子真实分布和预测分布之间的误差。该方法可以协调粒子数与预测误差之间的关系,进一步减小算法的预测误差。综上所述,本文在融入了遗传算法的粒子滤波算法的基础上,针对遗传步骤提出了两种改进方法:一种是Sigmiod函数,另一种是KL距离方法。在利用Sigmiod函数构造交叉变异概率函数的基础上,利用KL距离对该算法的预测误差进一步优化。本文利用这种改进后的粒子滤波算法,分别针对标量模型、四维纯方位模型和目标跟踪模型进行多次仿真实验。并将本文算法与粒子滤波算法、遗传粒子滤波算法进行比较分析,表明本文算法在计算量和逼近程度方面都有改进。