目标跟踪技术在军事与民用中占有重要地位,在航空航天、医药、国民经济等许多领域都有着广泛的应用。目标跟踪的关键在于对目标状态提取,因而能够递推估计目标状态的滤波算法在目标跟踪技术中占有举足轻重的位置。实际应用中,对目标跟踪系统建立的状态空间模型常常呈现非线性和非高斯特性。相比较于传统的卡尔曼滤波及其改进算法,粒子滤波在处理非线性非高斯系统上更具优势,使其在目标跟踪领域受到广泛关注。传统的粒子滤波算法存在一些缺点,如粒子退化、粒子多样性减弱。本文以粒子滤波为核心,针对粒子滤波存在的缺陷,研究相应的改进算法及其在单目标跟踪上的应用。本文主要研究成果如下：1、针对粒子多样性减弱问题,提出了一种基于随机Sigma点扩散的重采样算法——RSPR算法。该算法相比于基本的重采样算法,通过随机Sigma点扩散的方式增加了粒子的多样性。两组常用仿真模型和外辐射源被动单目标跟踪模型的仿真实验说明,该算法可以有效缓解粒子多样性减弱的问题。2、为了改善基本粒子滤波状态估计精度,提出了一种引入当前观测信息的重采样算法。该方法通过把粒子点从先验分布移向高似然区域,使得最终的滤波估计精度得到改善。两组常用仿真模型和外辐射源被动单目标跟踪模型的仿真实验说明,该算法可有效提高目标估计精度,同时增强了粒子多样性。3、针对基本粒子滤波面临的粒子退化问题,研究了一类最新的粒子滤波改进方法——粒子流滤波。该方法通过把表征先验的粒子集平滑移动到后验分布上的方式来解决粒子退化问题,同时保留了并行的计算结构。通过仿真实验,分析了当前的实现算法处理粒子退化问题的有效性及存在的一些缺陷。