目标跟踪技术被广泛的应用在监控、导航、障碍规避等需要确定目标的数目、位置、运动和身份的系统中,是这些系统的重要组成部分。而能够递推估计目标状态的滤波算法是整个跟踪系统的重要基石。著名的卡尔曼滤波算法从四十多年前被提出以来一直是用来解决线性高斯环境的最佳递推贝叶斯估计器,它简单而优雅。近些年出现了一个研究非线性非高斯滤波算法的高潮。本文首先回顾了近年来出现的非线性滤波算法特别是UKF算法,但是更多的注意力集中在了以序贯蒙特卡罗估计为基础的粒子滤波算法。 第一章概括了信息融合、目标跟踪、滤波算法的历史、发展现状和应用领域。 在第二章中,首先介绍了贝叶斯递推估计框架,然后列举一些了常见的线性高斯和非线性高斯的滤波算法。 第三中首先介绍了粒子滤波的基石一蒙特卡罗积分方法,同时特别讨论重要采样和重采样方法。在这些方法基础上,给出了SIS这个一般粒子滤波算法的框架。本章的最后一节给出了一些常见的SIS框架内的粒子滤波的变形。 在第四章,用EKF、UKF和SIR算法跟踪同一个进行非线性运动的物体并做了相关的比较。结果表明SIR方法能够得到比其他两种方法更好的跟踪结果。最后简要的给出如何利用粒子滤波进行多目标的联合融合的方法。 第五章总结了粒子滤波及其在目标跟踪领域的应用的优势、存在的挑战和前景。