在无线传感器网络中,分布式粒子滤波是一种强大且灵活的分散式状态估计方法,它特别适用于大规模、非线性和非高斯的分布式估计系统。然而,它在通信带宽、节点资源、网络拓扑动态变化以及通信能力等方面有一定的局限性,为了减小网络中存在的链接失败或间歇性链接对目标估计的影响,深入研究分布式粒子滤波算法具有重要意义。针对传感器网络中的非线性、非高斯跟踪应用,本文提出基于一致性/融合的粒子滤波的分布式实现算法。它在每个节点上运行两种粒子滤波器,分别是用于粒子滤波分布式实现的局部滤波器和计算全局滤波分布的融合滤波器。文中将局部概率密度函数的乘积近似为高斯分布,并用平均一致性算法计算高斯分布的参数,进而实现目标状态的估计。最后用蒙特卡罗仿真将此算法与集中式粒子滤波的跟踪性能进行了比较,表明此算法具有较优的滤波性能。由于一致性算法的收敛速度在上述算法中至关重要,于是本文重点研究了基于概率的一致性权值优化方法。这种方法介绍了空间相关随机拓扑下一致性算法的权重优化问题,它选择一致性均方误差收敛速率作为优化准则,并用链接形成概率、链接形成空间相关性和一致性权重的函数表示这个速率。由于对称随机网络下的均方收敛速率是关于权重的凸的、非光滑函数,文中给出封闭形式和次梯度算法两种解决方案。还将此优化方法和其他权重选择方法进行了对比仿真,结果表明此权重设计获得了显著的性能增益。最后针对网络中存在的间歇性网络链接问题,将基于概率的一致性权值优化方法与基于一致性的分布式粒子滤波算法相结合,通过克服链接失败导致的一致性算法收敛延迟问题,进而改善基于一致性的分布式粒子滤波算法的跟踪效果。并通过仿真与集中式和基于一致性的分布式粒子滤波算法进行比较分析,验证了此算法具有接近最优的跟踪性能。