随着信息技术的不断发展,非线性系统状态估计已逐渐成为一个受到国内外学者重视的热点研究课题。但随着实际应用对模型的复杂性和滤波精度要求不断提高,卡尔曼滤波等传统的滤波方法已远远不能满足实际使用要求。粒子滤波技术作为一种非线性数值滤波方法,可以高效地处理非线性,非高斯动态系统状态估计。在面向更复杂的非线性模型时,无需对非线性系统做线性估计,更符合实际滤波的要求。本文研究了贝叶斯理论框架下的状态空间滤波估计问题。针对非线性动态系统的滤波估计问题,深入研究了几类具有代表性的非线性滤波方法。其中扩展卡尔曼滤波、无迹卡尔曼滤波都是参数化的非线性近似方法,但它们都具有高斯假设的约束,并且为了准确描述系统的状态分布可能需要很多个估计参数,且常常难以得到满意的结果。为此粒子滤波方法作为一种非参数化随机采样滤波方法,得到更广泛的应用。但粒子滤波算法在快速发展的过程中仍然存在一些有待解决的问题。因此,对粒子滤波方法进行优化和改进具有重要的理论意义及实际的工程价值。本文的工作主要包括以下几个方面:首先研究了粒子滤波重采样算法的基本原理和几种经典的重采样算法,在此基础上,为了减少重采样方差,提高粒子滤波算法精度,提出了二次重采样算法。通过与常规重采样算法的仿真对比可知,二次重采样算法可以有效地缓解粒子退化问题,极大地提高了粒子滤波算法的精度。然后为了提高粒子滤波算法的收敛性,改善粒子多样性匮乏问题,提高算法运行速度,改善粒子退化问题,从重要性分布的选取和重采样算法的改进两个方面入手,又提出了一种改进的粒子滤波算法-高斯辅助粒子滤波算法,将即时的观测值信息引入重要性概率密度函数当中,再对重采样粒子的状态进行高斯变换以增强粒子的多样性,并对变换后的粒子权值进行调节,以改进常规粒子滤波算法造成的权值退化及多样性缺失问题,并通过仿真实验证明所提出算法的性能优于通用的粒子滤波算法。最后描述了目标跟踪框架下高斯辅助粒子滤波跟踪算法的实现,以纯方位目标跟踪为例,在已知目标状态先验分布的条件下,建立了物体运动的自回归状态模型和观测模型,随着系统观测信息的依次到来对目标状态的先验预测值进行修正和更新,从而实现对物体运动轨迹的估计,通过仿真实验的跟踪结果表明所提出算法是有效可行的。