高维时序数据的状态估计在计算机动画、金融信息管理、医疗、生物工程等方面具有广泛的应用前景。由于状态估计算法的复杂度会随着维数的增加成指数级增加，而且大部分应用中系统的状态是非线性的，所以与低维非时序数据相比，高维时序数据状态估计的难度更大。流形学习作为一种非线性方法，能够提取出嵌入在高维空间中的低维流形，因此基于流形学习的高维时序数据状态估计成为了众多学者研究的热点。由于高维时序数据的复杂性和数据之间结构的不可知性，使得高维时序数据在应用中很难直观的把握和分析。在粒子滤波算法中，当样本数量庞大并且维数过高时，粒子数目会随着维数的增加而不断增加，使得粒子集更新变得困难，最终导致算法效率低下、状态估计的准确性下降。本文在研究局部线性嵌入、等距映射、拉普拉斯特征映射以及高斯过程潜变量模型等算法的基础上，用它们分别对高维时序数据进行降维，通过比较重构误差的大小，最终选取高斯过程潜变量模型算法作为高维时序数据的降维算法。本文首先使用高斯过程潜变量模型算法对训练集进行建模，生成运动经验模型，然后构造潜变量运动模型，使用潜变量运动模型对粒子滤波算法进行改进。实验证明，使用潜变量运动模型改进粒子滤波算法之后，状态估计的实时性和准确性都有明显的提升。