非线性滤波理论已经被应用到众多的领域,而贝叶斯理论是解决此类问题的主要方法。由于在军事和民用领域具有广阔的应用前景,目标跟踪问题的研究也一直受到人们的广泛关注。而滤波算法是目标跟踪中的一个核心部分。随着目标跟踪理论的发展,当动态系统模型由线性演变为非线性并且相对应的噪声变为非高斯分布时,传统的线性高斯滤波器已不能满足目标跟踪的要求。因此,非线性非高斯滤波成为目标跟踪领域内的研究热点。本文以目标跟踪为研究背景,以非线性非高斯滤波为研究对象,提出了两种新的改进的滤波算法。主要工作如下：首先介绍了卡尔曼滤波算法、扩展卡尔曼滤波算法、迭代扩展卡尔曼滤波算法、Unscented卡尔曼滤波算法、均差滤波算法、高斯厄米特卡尔曼滤波算法等五种高斯滤波算法并分析了这些滤波算法的估计性能和实时性。接着介绍了高斯和滤波算法、粒子滤波算法、条件均值滤波算法等三种非高斯滤波算法的最新研究进展以及所存在的问题。基于以上提到的滤波算法,提出了两种改进的非线性非高斯滤波算法。针对状态噪声和量测噪声不同时为非高斯分布的非线性系统,近似条件均值滤波算法具有良好的估计性能,而对于几乎所有非线性高斯系统,均差滤波算法具有良好的估计性能,因此在分析了近似条件均值滤波算法和均差滤波算法的基础上,提出了一种新的基于均差滤波的近似条件均值滤波算法,改进了传统的近似条件均值滤波,提高了滤波的精度和适应性。进一步,针对状态噪声和量测噪声均为非高斯分布的非线性系统,利用高斯和滤波算法将后验密度看成高斯和的形式以处理非高斯分布噪声的思想,并考虑到均差滤波算法对所有非线性高斯系统均具有良好的估计性能的特点,提出了一种基于均差滤波的高斯和滤波算法。此算法可以处理几乎所有非线性非高斯系统的滤波问题。