粒子滤波与卡尔曼滤波相比,能够处理非线性以及非高斯系统的估计问题,因此得到了广大专家以及研究人员的认可。粒子滤波方法是在贝叶斯理论基础上,应用蒙特卡洛算法进行滤波。系统模型不同,会对滤波效果产生影响。粒子滤波过程主要包含两部分,预测与更新部分,预测是通过前一时刻粒子状态预测下一时刻粒子的状态;更新是将预测状态更新为下一时刻的状态。粒子滤波在运行到一定时刻需要重采样,重采样的基本思想是将大权重粒子复制为多个粒子,并抛弃小权重粒子。重采样过程虽然在一定程度上增加了滤波的准确性,但是,也相应造成粒子多样性的丧失。本文主要解决重采样过程中粒子多样性丧失的问题,主要工作包括以下几个方面:首先,本文研究粒子滤波重采样算法,对现有的粒子滤波重采样方法进行分类整理,针对四种经典重采样方法,一方面通过调整粒子数量改进重采样方法,另一方面通过复合重采样,对粒子群划分来改进重采样效果,并对这些重采样方法进代码设计。然后,针对重采样过程中粒子匮乏以及多样性丧失问题,提出基于邻域关系的重采样方法,将粒子状态置于二维流形中,通过局部线性嵌入(Locally Linear Embedding,LLE)的非线性降维方法将粒子状态降成一维,由于通过LLE算法可以保留高维空间与低维空间的拓扑关系,从而在一维粒子状态中可以找到它们的位置距离关系,根据权重大小将粒子分为权重大的保留粒子和权重小的调整粒子,为了在重采样过程中保留小权重粒子,根据该粒子与附近保留粒子的位置距离关系,调整该粒子的状态位置,并保留该粒子进行重采样,继续进行预测与更新。最后,本文对上述进行仿真实验验证,通过对比十五种已有方法与本文方法的实验结果,验证本文方法的有效性。本文提出的改进方法适用于各个重采样方法,能够通过调整粒子状态有效解决了粒子退化以及多样性丧失等问题。