粒子滤波(Particle Filter,简称PF)是一种性能优越的非线性滤波算法。它对系统的状态方程和量测方程以及噪声统计特性均未加任何限制,因而相对于传统的非线性滤波具有更宽广的应用范围。而且它突破了卡尔曼滤波体系下非线性滤波(EKF、UKF、CKF)的架构束缚,摒弃了对状态变量均值和方差估计的思想,转而通过从后验概率密度中抽取采样粒子,并对其进行迭代的预测和更新,来不断逼近真实的后验概率密度分布,从而更加的贴近最优估计的本质。粒子滤波具有滤波精度高,收敛速度快等优点,使得它已经成为了在处理非线性、非高斯系统下状态滤波和参数估计的主流滤波算法.本文围绕粒子滤波在捷联惯导大方位失准角背景下展开了如下的研究工作:首先,根据欧拉平台误差角推导了大方位失准角条件下捷联惯导系统初始对准的误差方程。在研究贝叶斯信号处理和蒙特卡洛(MonteCarlo)积分的的基础上,引出序贯重要性重采样(Sequential Importance Sample)粒子滤波算法,并给出目标跟踪模型下的PF和UKF仿真对比。其次,针对标准粒子滤波算法中的缺点和不足,提出以下改进方法:一是标准粒子滤波当中直接选取先验概率密度函数作为重要性密度函数进行采样粒子,导致最新时刻的量测信息丢失,使得采样的粒子过分依赖于状态模型,当似然概率密度呈现尖峰状态或是位于先验概率密度函数尾部的时候很容易造成粒子退化。提出根据最新时刻的量测信息,给予重要性密度函数有目的的调整、修正,从而使得重要性密度函数能够最大程度上的向后验概率密度分布偏移。本文设计的算法是使用基于EKF、UKF、CKF滤波估计之后的均值和方差来产生了新的采样粒子集群。给出分段非线性模型下的PF、EKPF、UPF、CPF的对比仿真分析。二是高维状态估计中所需粒子数成级倍数增长,因而计算延迟,实时性不够理想的情况,提出动态调节粒子数,减少计算量。具体做法是将自适应技术引入到粒子滤波的重采样之前,根据上一时刻对信号的估计精度来确定下一时刻估计所需要的粒子数。设计在目标跟踪模型下的仿真来对比APF和PF的滤波性能,验证自适应的有效性。三是将CPF和APF结合形成ACPF算法,新算法既通过CKF设计重要性密度函数,提高了采样效率;又根据上一时刻的估计状态预测下一时刻所需要的粒子数,实现了粒子动态调节,减少了计算量。最后在飞行器机动飞行模型中,验证ACPF的有效性。最后仿真在捷联惯导初始对准非线性误差模型下进行,给出ACPF和PF的仿真对比分析,证明算法改进的正确性和有效性。