最优贝叶斯估计是一种求解目标状态后验概率密度分布的常用方法，在线性高斯系统中，状态后验概率密度的均值与方差可通过卡尔曼滤波方式递推得到，然而对于非线动态系统，由于多重积分的存在而无法用最优贝叶斯估计方法得到后验分布的准确解析式，为此人们提出了许多的近似次优算法，在这些次优算法中，粒子滤波的估计精度最高、发展前景最好。作为非线性动态系统状态估计的主要方法，粒子滤波是一种通过非参数化的蒙特卡罗模拟方法来递推实现贝叶斯滤波的算法，即利用状态空间中的一组按照贝叶斯准则进行更新的粒子来对未知状态的后验概率密度进行估计，当样本粒子趋于无穷时，则这种近似方式得到的概率密度可等价于真实后验概率密度。针对非线性系统的状态估计问题，特别是非线性非高斯系统，粒子滤波为系统状态的求解提供了一种简单而有效的工具，因其设计简单、易于编程等优点，现已受到了越来越多的关注，已被广泛应用于通信、雷达、导航、目标跟踪和机器学习等多个领域。粒子滤波算法虽然目前在国内外已取得了许多可喜的进展，但由于发展时间不长，许多关键性技术难题还没有得到解决，如建议分布函数的构建，重采样算法引起的样本枯竭，权值退化现象严重，算法收敛性等问题，为此，本文将从最优贝叶斯滤波方法展开研究，逐步从线性高斯系统的滤波方法过渡到非线性系统的粒子滤波算法，主要研究了它的建议分布函数和重采样技术，并提出了两种改进的粒子滤波算法。一种是从差分演化算法的角度出发，通过引入自适应策略，利用对采样粒子的自适应差分变异和自适应差分杂交的方式来增加粒子的多样性，进而解决重采样带来的样本枯竭问题；另一种改进算法是用粒子群优化算法和人工免疫算法对采样粒子进行优化处理，用人工免疫算法扩大算法的寻优范围，使粒子集合向高似然区域移动，缓解由建议分布函数与真实后验分布之间差异所造成的权值退化问题。仿真实验表明，这两种改进的粒子滤波算法能有效地缓解粒子权值的退化，缩短算法运行的时间，提高状态估计的精度。最后将改进的一种算法应用于无线通信系统中的信道估计，以达到改善无线通信系统的信号传输性能的目的。