传统的粒子滤波在非线性系统中表现优于卡尔曼滤波,但粒子退化现象亦影响粒子滤波性能。智能粒子滤波能够使低权值的粒子进化为高权重粒子,在一定程度上提高粒子多样性。在智能粒子滤波的基础上,增加自适应处理和类粒子群优化思想,进一步优化遗传重采样,提高智能粒子滤波在声源追踪中的性能。自适应智能粒子滤波,从粒子变异概率入手,其变异策略依旧沿用于智能粒子滤波,基于粒子群优化思想改进的智能粒子滤波从粒子变异方向的角度优化了变异算子,粒子根据后验概率分布状况调节变异方向。通过标准的粒子滤波验证模型、自由落体运动模型和非高斯噪声系统下的自由落体,对粒子滤波、拓展卡尔曼滤波、正则粒子滤波、智能粒子滤波、自适应智能粒子滤波和改进的粒子滤波进行仿真,统计均方根误差、平均误差、有效粒子数、平均运行时间和轨迹等,从多个角度对算法进行分析。仿真结果表明,本文改进的智能粒子滤波在多个角度性能都要优于智能粒子滤波,尤其是基于粒子群优化思想改进的智能粒子滤波,在多个模型中,其性能有10%-60%的提升。在高线性的自由落体仿真中,基于粒子群优化思想改进的智能粒子滤波的统计结果依旧要优于拓展卡尔曼滤波算法,并大幅度提高了速度估计精度。但算法的复杂性也使得算法消耗更多的计算资源,平均运行时间要略高于智能粒子滤波和自适应粒子滤波,但远低于正则粒子滤波,在保证了一定时效性的前提下,得到较大的性能提升。设计了基于时延估计（TDOA）的目标运动追踪仿真,以系统噪声模拟目标的各种运动轨迹,以TDOA噪声模拟声源信号中噪声和混响的影响,并通过设置不同大小的TDOA噪声验证算法的鲁棒性。结果表明,无论TDOA取值多少,改进的智能粒子滤波均有较高的性能优势,且其误差波动较小,收敛性更佳,同时,在算法鲁棒性方面也优于智能粒子滤波,自适应粒子滤波的性能提升仅略逊于改进的智能粒子滤波,智能粒子滤波追踪结果良好,但其误差波动性较大。在分布式阵列目标追踪实验中,以多组运动方程设计目标的运动轨迹,验证本文改进策略的工程可行性。结果表明,基于粒子群优化思想改进的智能粒子滤波追踪性能远优于其他方法,自适应粒子滤波效果紧随其后,智能粒子滤波也能保持一定追踪精度。