目标跟踪是典型的动态系统状态估计问题。线性、高斯条件下,卡尔曼滤波是最优估计。但实际应用中,运动目标极少满足单一模型和线性、高斯条件。在强非线性、非高斯环境下,卡尔曼系列滤波器将出现精度下降,甚至发散,无法满足应用需求。粒子滤波为离散时间的递推滤波问题提供了一种近似的贝叶斯解决方法,可以处理任意非线性、非高斯系统,因此具有重要的理论和实际意义。粒子滤波算法通过一组加权粒子对后验概率密度进行近似,序贯重要性采样是其主要算法之一,但序贯重要性采样算法存在粒子权值退化问题。另外,很多实际动态非线性系统存在可分离高斯、线性子结构,研究者们提出Rao-Blackwellized粒子滤波算法来处理这类问题,但Rao-Blackwellized粒子滤波算法在线性部分的每个粒子上都对应一个卡尔曼滤波器,使得计算量非常之大,不便于实际应用。论文以机动目标跟踪为研究背景,分析了粒子滤波算法存在的几个主要问题,针对上述两个方面分别改进了粒子滤波重采样算法和Rao-Blackwellized粒子滤波算法。在系统重采样算法的基础上,选用特定的数值代替随机数产生过程,各采样点相对位置固定,使得样本分布均匀,获得与系统重采样同样的权值方差的同时,免去了随机数产生步骤,从而减少了算法计算代价;针对可分解出线性、高斯子系统的非线性系统,改进算法以Rao-Blackwellized粒子滤波算法基础,分别针对线性部分和非线性部分进行改进。非线性部分,使用高斯粒子滤波算法代替普通粒子滤波算法,不需要重采样,不仅减少了计算代价,也避免了重采样引入的样本枯竭等问题。线性部分,仅使用一个卡尔曼滤波器,而不是每个粒子对应一个卡尔曼滤波器,降低了运算强度。论文研究结果表明,改进算法在保持与原算法精度一致的前提下,降低了算法时间复杂度,缩短了算法运行时间。通过对算法仿真和结合交互多模型方法对机动目标进行跟踪的结果进行分析,进一步验证了改进算法性能与理论分析一致,在运行时间缩短的情况下,取得了预期的跟踪效果。