粒子滤波是一种基于蒙特卡罗方法和贝叶斯理论的推理算法,适用于任何可以用状态空间模型来表示的非线性非高斯系统。它具有易于编程实现,使用灵活的特点,引起了广泛的重视,已成为信号处理、人工智能、自动控制,机器学习等领域的研究热点。粒子滤波的研究仍处于起步阶段,许多关键技术如建议分布函数,重采样,收敛性分析等还未能有效解决。本文针对粒子滤波存在的权值退化,样本衰竭的问题,基于粒子滤波理论基础的学习,对粒子滤波的重采样,自适应机制和多样性测度等关键技术及其在单机动目标跟踪的应用展开研究。本文对粒子滤波理论与算法进行深入调研,在对粒子滤波算法的实现原理和步骤的研究基础之上,从重采样的实现原理、质量和计算复杂度的角度对四种基本的重采样算法-多项式重采样、分层重采样、系统重采样和剩余重采样进行了理论分析,并通过仿真实验比较四种重采样算法的多样性和性能。接着介绍了部分重采样思想,从理论分析和数值仿真两方面对该算法在取不同权值门限及采用系统重采样的情况下,即部分系统重采样算法的性能进行了比较。针对重采样带来的样本衰竭问题,在部分重采样的基础上,提出了一种改进算法—基于权值选择重组的重采样算法,粒子被分组后,对需要重采样的粒子进行权值优化组合,原来权值偏小的粒子经过权值优化组合后得到了提高,可以有效的缓解重采样带的来样本衰竭问题,在单机动目标跟踪的仿真下验证了算法的可行性。针对如何有效的控制重采样的次数,提高滤波的鲁棒性,结合自适应与多样性测度机制提出了两种自适应重采样算法,自适应部分系统重采样算法和基于多样性向导的自适应重采样算法,这两种算法根据粒子权值的退化程度自适应的调整重采样的时间,减少重采样的次数,缓解样本衰竭,在单机动目标跟踪的仿真下验证了算法的有效性。在重采样、自适应与多样性测度机制的研究成果的基础上,提出了两种基于自适应变异导向的粒子滤波改进算法,基于多样性向导的自适应变异粒子滤波和基于权值选择重组的自适应变异粒子滤波,这两种粒子滤波的改进算法在重采样后对粒子进行自适应变异,可以有效的提高滤波的多样性和估计性能。在单机动目标跟踪的仿真下验证了算法的可行性。