贝叶斯理论为非线性非高斯状态估计问题提供了一种基于概率分布形式的解决方案。粒子滤波是基于递推贝叶斯估计理论的一种序贯蒙特卡罗算法，可以有效地解决非线性非高斯问题，因此被广泛应用于视觉跟踪、目标定位、通信与信号处理等众多领域。
　　但是粒子滤波算法在递归计算过程中存在粒子权值退化、粒子多样性丧失、维度灾难、计算成本高等问题。针对标准粒子滤波算法存在的问题，本文提出了一种基于“新息误差”的粒子滤波算法，并将改进后的算法应用于目标跟踪与移动机器人即时定位与建图中，论文具体工作如下:
　　首先，本文对贝叶斯理论进行了阐述，介绍了粒子滤波与粒子流滤波的理论基础，分析了粒子权值退化的原因。其次，在粒子更新过程中参考最新的观测信息引入“新息误差”结构，并从理论上证明了该结构的可行性，且粒子的更新相互独立;在“速度场”求解中，通过Galerkin有限元法求得数值解，消除了拟合先验样本可能导致数值不稳定的问题。然后，针对求解常微分方程可能存在刚性的问题，研究了不同数值解法的优缺点，并提出粒子重绘方案对改进后的粒子滤波算法进行优化，该方法通过设计适应度函数，无需假设重绘前粒子的分布。最后，进行仿真实验，将改进后的粒子滤波算法和其他多种对比算法应用于非线性系统与FastSLAM模型中，验证了所提算法具有更好的估计精度并在多维情况下具有更高的计算效率。