非线性非高斯状态空间模型的最优估计问题在信号处理、自动控制、金融、无线通讯等领域具有重要的应用,粒子滤波技术通过非参数化的蒙特卡罗模拟方法来实现递推贝叶斯滤波,适用于任何能用状态空间模型表示的非线性系统,滤波精度可以逼近最优估计,其有效性已经得到各领域研究人员的极大认可。基本粒子滤波算法存在的最大问题是粒子退化,针对这一问题,本文对权值退化、重要性函数选取、重采样等影响粒子滤波器性能的关键技术进行了深入研究,并在此基础上,提出了一种改进的粒子滤波算法。该算法将无迹卡尔曼滤波算法(UKF)、混合遗传模拟退火算法和基本粒子滤波算法相结合,应用无迹卡尔曼滤波算法获得重要性函数,提高了粒子的使用效率;应用混合遗传模拟退火算法的进化思想,提高了粒子的多样性。实验结果表明在有效改善粒子退化问题的同时,新算法很好的提高了粒子的使用效率和对噪声的抑制能力:在信噪比为16dB时,新算法用原算法1/10的粒子数进行滤波,滤波精度提高了近80%。最后,将改进算法应用于机动目标跟踪模型,验证了新算法对非线性系统的有效性;将改进算法应用于SAR图像降噪,验证了新算法对非高斯模型的实用性。