蒙特卡罗方法是一种通过产生随机样本来进行计算的方法，被广泛的应用于科学计算，信号处理，金融分析等领域.序贯蒙特卡罗方法通过序贯的方法来产生高维随机样本，这个特点使得它更适于用来处理实时系统中的计算问题.这篇论文对产生随机样本的方法进行了研究，并将序贯蒙特卡罗方法应用到一些实际的问题中，主要贡献包括以下三个方面： 1.提出了独立粒子滤波器(Independentparticlefilter(IPF))，并对其统计性质进行了理论分析.空间动态模型中包含有状态变量和观测值，需要根据观测值对内在的状态变量作出估计.笔者认为可以通过序贯蒙特卡罗方法得到状态变量的估计值.应用于空间动态模型中的序贯蒙特卡罗方法也可以被称为粒子滤波器.在估计过程中，生成随机样本的分布的选择是一个关键问题.本文提出的IPF只根据当前观测值来产生随机样本，这个特点使得生成的随机样本能够通过多重匹配提高估计的效果.论文对IPF的一些性质作出了研究，并通过实验说明了在一定情况下，IPF可以有比其他方法更好的估计效果. 2.在信号解码问题中，使用了分层的序贯蒙特卡罗方法来降低计算复杂度.无线通信中，信号解码的问题常常可以表示为条件动态线性模型(CDLM).这种模型可以通过混合卡尔曼滤波器(MKF)来进行估计.在MKF中，笔者希望通过延迟来得到样本分布，这样可以从未来时刻的接收信号中得到更多关于信道的信息，作出更好的估计.按照一般方法得到的延迟样本分布的计算量过大，因此笔者使用了分层的方法来减少计算量.在生成每一层的随机样本时，笔者在每个子集中选择一个符号作为子集的代表来更新卡尔曼滤波器，并通过简单的导频引入未来时刻的观测信息.通过实验可以看出这种解码方法具有较好的效果. 3.提出了一种新的生成SAW随机样本的方法，并利用这种方法对包含特定void的结构的一些性质进行了研究.在格点模型中，蛋白质结构被简化为二维格点上的self-avoidingwalk(SAW).笔者希望对包含特定形状void的结构进行研究.利用一般方法产生的SAW随机样本很难包含特定形状void.如果使用这些随机样本对void的性质进行研究，会有较大的偏差.因此笔者使用了一种新的生成SAW随机样本的方法.通过这种方法，能够生成更多的包含特定void的结构，提高估计的准确性.