粒子滤波器在处理非线性或非高斯问题所显示出的巨大的潜力,使得其在非线性滤波领域受到了广泛的关注。与传统滤波方法相比,其具有简单易行的特点,因此在诸多研究领域得到了广泛应用。粒子滤波是一种用于求解贝叶斯概率的实用方法。它是一种通过使用非参数化的蒙特卡罗方法来实现递推贝叶斯估计的滤波方法,可适用于任何能用状态空间表示的非线性系统。然而,传统的标准粒子滤波算法中存在着一些缺点,最典型的就是粒子的退化问题,以及采用传统的重采样之后又出现的粒子多样性减弱问题。到目前为止,粒子滤波算法虽然经历了众多的改进,但是并没有很好的解决这些问题。因此,进一步研究并改进粒子滤波算法以提高粒子的多样性对提高粒子滤波的效率具有十分重要的意义。本文主要内容如下:1.本文首先在对传统粒子滤波算法进行深入研究的基础上,提出将遗传算法中的进化策略引入到粒子滤波算法的框架中来,利用遗传算法中使用的诸如交叉算子、变异算子、选择算子等进化策略对种群个体进行操作,直至进行进化操作以后的粒子的表现都优于进化前,这种做法提高了粒子的全局搜索以及寻优的能力,进化操作对粒子进行了有效的移动,从而提升了粒子的多样性。2.根据粒子滤波算法中对粒子滤波算法的应用需求,对引入的自适应遗传算法进行了一系列的改进。在粒子滤波中,粒子进化的方向是得到一个最优的粒子种群,而传统自适应遗传算的目标是寻求种群中的最优个体,故在粒子滤波的应用中,对传统自适应遗传算法中变量的调节策略需要做相应的调整。因此,本文从每个粒子的先验知识出发,对自适应遗传算法中用以控制进化操作概率的变量如交叉概率、变异概率等的调节策略进行了改进,使得改进后的自适应遗传算法,可更好的为解决粒子滤波中多样性减弱的问题而服务。3.本文研究了粒子滤波算法在计算机视觉领域的应用,首先实现了标准粒子滤波跟踪算法,而后实现了本文改进粒子滤波的跟踪算法,最后,对这两种跟踪算法进行了对比试验,实验结果证明本文改进算法的跟踪效果较好。