非线性系统的状态与参数估计在过程控制与故障检测等方面发挥着重要作用。近些年来,在非线性系统的状态及参数估计方面,粒子滤波方法获得了广泛关注。其基本思想是应用蒙特卡罗方法产生大量随机样本去近似状态的后验分布从而实现状态估计。这种方法可应用于任意状态空间模型。然而,在基于粒子滤波方法的状态与参数估计方面仍存在一些问题。本文就针对传统状态与参数估计中存在的问题开展研究。1、对粒子滤波器的发展过程、应用领域、发展现状及存在的问题做了简要介绍。基于非线性系统的状态空间模型,在递推贝叶斯滤波理论的统一框架下,研究了连续重要性采样方法,并指出了该方法存在的主要问题,即粒子退化现象。紧接着,针对粒子退化现象论述了重采样方法,进而引出传统粒子滤波方法。并且针对不同的应用环境论述了三种粒子滤波方法。2、基于粒子滤波器,介绍了传统状态估计方法,并指出传统状态估计方法中存在的问题,即初始值不确定导致传统状态估计效果较差。针对此问题,首先提出了一种多群体粒子滤波方法,该方法以状态初始值不确定导致观测误差为依据决定是否进入多群体粒子滤波过程。但该方法存在运行时间较长的缺点。针对多群体粒子滤波方法存在的问题,论文提出一种鲁棒状态估计方法。该方法以状态初始值不确定导致观测误差为依据决定是否进行初始值调整。鲁棒状态估计方法不仅解决了初始值不确定带来的状态估计效果较差的问题,也解决了多群体粒子滤波方法运行时间较长的问题。3、基于粒子滤波器,介绍了非线性系统状态与参数估计方法,并指出传统参数估计存在的问题,即迭代过程中一旦模型参数发生变化估计参数不能跟踪模型参数。针对此问题,提出一种鲁棒参数估计方法。该方法以模型参数发生变化导致观测误差为依据决定是否调整参数粒子方差。研究结果表明,虽然该参数估计方法的波动性比传统参数估计方法的波动性大些,但当模型参数发生变化时能迅速做出反应并准确跟踪模型参数。