粒子滤波是一种基于蒙特卡罗方法和递推贝叶斯估计的统计滤波方法，它依据大数定理采用蒙特卡罗方法来求解贝叶斯估计中的积分运算。其基本思想是：首先依据系统状态向量的经验条件分布在状态空间产生一组随机样本的集合，这些样本称为粒子；然后根据观测量不断地调整粒子的权重和位置，通过调整后的粒子的信息，修正最初的经验条件分布。其核心思想是：用由粒子及其权重组成的离散随机测度近似相关的概率分布，并且根据算法递推更新离散随机测度。当样本容量很大时，这种蒙特卡罗描述就近似于状态变量真实的后验概率密度函数。这种技术适用于任何能用状态空间模型以及传统的卡尔曼滤波表示的非高斯背景的非线性随机系统，精度可以逼近最优估计，是一种很有效的非线性滤波技术。 本文系统介绍了适用于解决非线性非高斯系统问题的粒子滤波器的基本原理和关键技术，针对标准粒子滤波器（PF）中存在的粒子退化及算法实时性问题，把遗传算法中的选择、交叉、变异进化思想引入到PF中进行算法改进，提出了改进的遗传粒子滤波器（GPF）。首先由于遗传算法具有独特的寻优能力，可以使每次运算粒子的使用效率得到搞高，使逼近后验概率分布最大值所需的粒子数大大减少，并且避免了重采样，也就在一定程度上减少计算量，能有效提高算法估计的实时性；再者由于遗传运算能有效增加粒子的多样性，解决粒子退化问题，从而提高GPF的算法精度，可有效防止出现滤波发散现象，也就提高了状态估计的精度。并将GPF应用到非线性、非高斯系统状态估计中，与PF进行了性能仿真对比分析，仿真结果表明GPF不仅能增加粒子多样性，有效防止粒子退化现象，改善滤波精度，而且能提高算法的实时性。 现代系统正朝着大规模、复杂化的方向发展，这类系统一旦发生事故就有可能造成人员和财产的巨大损失，因此切实保证现代复杂系统的可靠性与安全性具有十分重要的意义。在实际生产过程中，在事故发生前，控制系统往往都会出现故障预兆，如果能够及时检测到这种预兆并加以控制，完全能避免事故的发生。故障诊断技术的出现为提高复杂系统的可靠性提供了可能。 非线性系统故障诊断问题的一种解决方法是基于解析模型，通过滤波器，对系统的状态或参数进行估计，对比系统的实际输出与预测输出，产生残差，通过分析残差，对系统的工作状况进行判断，诊断出故障。本文将粒子滤波技术应用到传感器故障诊断中，介绍了传感器故障模型的建立，残差的产生，及故障检测与辨识方法。针对常见的恒偏差、恒增益、卡死三种类型的传感器故障，举例进行了性能仿真分析，结果表明应用PF和GPF方法进行传感器故障诊断是可行的，尤其进行非线性非高斯系统故障诊断时，该方法仍能较好的完成故障诊断任务，表现出一定的优越性。