随着现代系统的日渐复杂化与对非线性系统滤波精度要求的提高，传统的非线性状态估计算法已经难以满足一些应用中的需求。粒子滤波作为一种全新的非线性滤波算法，选择有限的加权粒子来逼近系统状态的后验概率分布，若粒子数足够大，理论上可以收敛于状态最优估计。粒子滤波不受系统模型与噪声分布的约束，可以更好的满足现实滤波任务要求，其在故障诊断、定位导航、通信生物统计学、统计信号处理、参数估计和系统辨识等领域都有巨大的发展前景。本文以粒子滤波算法理论与其应用实现方法为主要研究内容，针对常规粒子滤波的主要问题，提出了一些改进算法，以提高粒子滤波的估计精度和鲁棒性，并利用粒子滤波理论来解决移动机器人同时定位与地图构建问题，拓展其应用范围。论文主要研究成果如下：1．针对粒子滤波粒子退化问题与粒子多样匮乏问题，提出了一种基于类电磁机制优化的粒子滤波算法。在重采样过程中引入类电磁机制优化思想，通过采样粒子间权值较大的粒子吸引权值较小的粒子，驱动粒子集向更优的粒子靠近，缓解粒子退化问题，同时权值较小的粒子排斥权值较大的粒子，使粒子集在移动的时保证一定的距离维持了粒子多样性。在不同模型中的仿真实验下，证明了改进后的算法较常规粒子滤波有更好的估计性能与自适应性。2．利用粒子滤波理论来处理移动机器人同时定位与地图构建问题，提出一种基于改进粒子滤波的FastSLAM2.0算法。首先采用UKF代替EKF递归估计机器人位姿后验建议分布，减少了模型线性化误差，使采样粒子更加接近真实状态，然后在重采样中引入类电磁机制优化思想，改善粒子分布，有效避免了FastSLAM2.0中粒子退化和粒子多样性匮乏现象。由仿真对比实验，验证了所提算法的可行性及优越性。3．对多机器人同时定位与地图构建进行深入研究，拓展粒子滤波的应用范围，提出一种基于粒子滤波的多机器人FastSLAM算法。在改进的单机器人EM-FastSLAM基础上，当多个机器人观测到共同的路标时，采用卡尔曼一致性算法进行路标位置更新，融合各个机器人从不同方位对路标的先验估计，修正路标的位置估计，从而进一步提高机器人定位与地图构建精度。