近年来,由于粒子滤波算法对非线性状态估计问题的良好描述,使其受到越来越多的关注。但是,粒子滤波算法采用大量的随机采样粒子,这就导致其计算量大,难以满足实时应用的需要。本文从这点出发,对粒子滤波算法在GPU并行架构上的并行实现作了详细介绍。1.对粒子滤波算法的理论基础进行了介绍。首先,分别介绍了蒙特卡洛近似方法和贝叶斯估计方法;然后,分析了粒子滤波算法的四种重采样算法:多项式重采样、分层重采样、系统重采样和残差重采样算法,并从多个方面(有偏/无偏性、计算复杂度、粒子复制上下界、对滤波精度的影响、串并行)对这四种算法进行了详细的对比分析。2.对GPU在通用计算领域的发展进行了介绍。首先,介绍了GPU与CPU在硬件架构上的不同;然后,分别从编程语言模型,存储模型和程序执行模式三个方面对NVIDIA公司的GPU并行编程语言CUDA作了详细介绍;最后,介绍了NVIDIA公司GPU的发展,并对第三代Kepler架构相对于第二代Fermi架构的硬件性能提升作了介绍。3.对粒子滤波算法在GPU上的并行实现进行了详细描述。首先,介绍了本文中的三发一收外辐射源雷达跟踪模型;然后,从直观的并行实现开始,介绍了CPU+GPU异构并行实现方法;之后,介绍了一种并行索引生成方法,并分析了该方法的不足之处,通过与分布式粒子滤波实现方法相结合,得出了一种双层并行的实现方法,该方法缓解了并行索引生成方法中粒子退化严重时粒子分配串行性的现象。最后,对比了在不同的硬件平台上算法的执行时间,并进行了分析。