滤波算法是通过量测到的已知输出来估计系统状态,从而得到一个接近真实的状态估计,用来解决控制理论及其应用中的诸多问题。其中,维纳滤波由于是非递推的,且因不便于实时应用而受到很大限制。目前常用的滤波算法中,’卡尔曼滤波(KF)适用于动态系统为线性系统,噪声服从高斯分布的情况,是最小均方意义下的最优滤波算法。扩展卡尔曼滤波(EKF)适用于非线性系统高斯噪声情况,它是利用一阶泰勒展开将非线性系统线性化而得到的一种次优滤波算法,在非线性不是特别严重的情况下,扩展卡尔曼滤波有着近似最优的滤波效果,但在非线性非高斯模型下上述两种算法的效果都不尽如人意。在这种情况下,粒子滤波(PF)因其适用面广而备受关注。粒子滤波是一种基于蒙特卡罗模拟和递推贝叶斯估计的滤波方法。它采用粒子描述状态空间,用由粒子及其权重组成的离散随机测度近似真实的状态后验分布,并且根据算法递推更新离散随机测度。粒子滤波可以处理模型方程为非线性、噪声分布为非高斯分布的问题,在许多领域得到了成功的应用。本文在研究滤波算法的基础上,通过算法在最优控制和信息融合领域的应用具体分析验证了算法性能。在最优控制方面,讨论了模型具有未知参数、观测噪声为非高斯噪声的线性系统和乘性噪声非线性系统几种情况下的最优控制问题,仿真使二次型性能指标最小,达到最优控制。卡尔曼滤波是在信息融合领域广泛使用的融合算法,它在线性高斯模型下能得到最优估计,但在非线性非高斯模型下效果很差。本文讨论了基于滤波算法的观测融合滤波理论及应用,仿真验证算法在保持较高跟踪精度的基础上,误差较单传感器有较大减小。之后将滤波算法应用到目标跟踪领域,采用交互式多模型算法跟踪机动目标,仿真证明基于粒子滤波的交互式多模型算法(IMM-PF)较基于卡尔曼滤波的交互式多模型算法(IMM-KF)在跟踪精度和机动适应度方面都有较大改进。