粒子滤波算法是一种基于蒙特卡罗方法仿真来实现递推贝叶斯估计的统计滤波方法。作为一种基于蒙特卡罗思想的非线性、非高斯系统滤波方法,粒子滤波在处理非高斯、非线性时变系统的参数估计和状态滤波问题方面有独到的优势。粒子滤波因其强大的非线性处理能力而被广泛的应用于导航定位、视觉跟踪、无线通信、自动控制和经济统计等领域。本文介绍了标准粒子滤波算法及其改进算法,总结概括了这些改进算法存在的问题。针对粒子滤波中存在的这些问题,在粒子滤波算法中引入了进化算法。本文的主要研究内容如下：对进化粒子滤波算法中的遗传粒子滤波算法(GPF)进行了研究,将遗传算法中的选择、交叉、变异操作引入粒子滤波,改善了粒子退化及计算量大的问题。因为遗传粒子滤波算法对粒子匮乏现象的改善只是在重采样阶段,并非算法整体。所以针对此问题,提出了一种粒子群优化的遗传粒子滤波算法,利用粒子群优化算法,驱动粒子向高似然区域移动,增加了有效粒子的数目,可以抑制粒子退化和匮乏现象。实验表明,本文提出的算法有效地改善了粒子匮乏现象,同时提高了状态预估的精度,降低了算法的计算量,提高了算法的鲁棒性。