卡尔曼粒子滤波算法(Kalman Particle Filter,KPF)作为由Monte Carlo来对贝叶斯递推过程实现的一类算法,现已得到了广泛的应用。特别是在处理非高斯非线性时变系统中参数估计和状态滤波问题方面有独到的优势。本文在了解了KPF后,研究了目前国内外学者对算法的改进的基础上,对此算法所存在的问题提出了新的改进方法。具体研究内容分为三部分:第一,针对KPF中粒子退化现象,利用迭代无迹卡尔曼滤波(IUKF)与RTS平滑算法结合产生新的重要性密度函数,运用IUKF对系统状态进行后验概率估计,然后用RTS平滑算法对滤波结果进行修正。通过此算法将系统最新的观测值考虑其中,使粒子退化现象在一定程度上得到了有效抑制,状态估计的准确性有了大大的提高。第二,针对KPF中粒子枯竭问题,在重采样过程中引入改进的人工鱼群算法(Artificial Fish Swarm Algorithm,简称AFSA)——变步长自适应人工鱼群算法,促使粒子集向真实值的后验概率分布移动,进而改善粒子滤波精度降低问题。并将改进的算法用于闪烁噪声情况下的机器人定位,使得定位精度得以明显提高。第三,将差分卡尔曼滤波算法与粒子滤波算法结合,并引入退化因子以缓解算法中的粒子退化现象,在保证算法精度的前提下,提高了KPF的运算速度,减小了算法的运行时间。对于上述所提出的改进算法都进行了仿真研究,仿真结果表明了它们的正确性和有效性。