一直以来，非线性、非高斯系统的状态估计问题都受到了国内外学者的广泛关注，近年来兴起的粒子滤波技术能够很好地解决这类问题。粒子滤波又叫做序贯蒙特卡罗方法，其基本思想是利用系统状态的先验分布来产生采样粒子，将最新测量值作为修正粒子的权重与位置的依据，然后根据修正后的粒子信息用以调整初始先验条件分布。由于其在处理非线性、非高斯系统的状态滤波问题方面表现出了独特的优势，目前被广泛应用于通信、目标跟踪、故障诊断和卫星导航等领域。目前粒子滤波算法在国内外已经取得了可喜的进展，但由于其处于发展的初级阶段，还有许多问题等待解决，如重要性函数的选取适合度、粒子多样性的保障和算法的收敛性等一系列问题。因此，对粒子滤波算法进行改进具有深远而重要的意义。针对粒子滤波算法在重采样过程所引起的样本贫化和计算复杂的缺陷，本文叙述了一种改进的权值优化组合粒子滤波算法和一种基于自适应遗传算法的粒子滤波器。改进的权值优化组合粒子滤波技术，采用对粒子权值设定门限Thershold，剔除权值小于门限的粒子，然后对小于粒子群权值均值的粒子进行权值组合，能够在保证精度的同时，有效降低重采样过程中的计算量。基于自适应遗传算法的粒子滤波器，借用遗传算法的全局寻优能力来改善粒子的退化和样本贫化问题，提高滤波精度。针对重要性密度函数的选取问题，本文总结出了一种粒子群优化微分进化粒子滤波算法，通过引入收敛因子和变异粒子个体极值用以更新粒子的速度和修正粒子的位置，驱使粒子集移向高似然区，提高算法的全局搜索能力，防止算法陷入局部最优，缓解权值的退化问题。在重采样阶段，根据阀值的大小采用传统重采样与微分进化重采样相结合的方式对其进行优化，以抑制粒子多样性损失。仿真结果表明，该算法具有高精度的滤波性能。