近年来,状态空间模型在金融领域和工程领域中的应用变得越来越重要。由于现实中大多数时间序列对象都具有非线性、非高斯的特征,传统基于线性高斯假设下的状态空间模型受到了极大的挑战。目前在状态空间模型分析中最著名的滤波算法是卡尔曼滤波,但前提是模型服从线性高斯假设。在这种情况下,不受分布局限的粒子滤波算法表现出更强的优势。粒子滤波是一种通过蒙特卡罗样本近似概率分布函数的贝叶斯推断算法,被广泛应用于目标定位、信号处理等领域。然而尽管滤波问题在非线性非高斯模型中得到了较好的解决,但参数估计仍然是一个大的难题。MCMC是当前最理想的一种参数估计方法,但在高维环境和更复杂的模型中应用性较差。本文介绍了一种新的估计方法,即粒子马尔科夫蒙特卡罗算法(PMCMC)。该方法联合了粒子滤波算法与MCMC算法对非线性非高斯状态空间模型参数求解,且能够很好地结合这两种方法的优点,同时在应用上具有更大的突破。本文在研究粒子马尔科尔蒙特卡罗算法的基础上,提出了一种基于局部M-H抽样策略的PMCMC算法,即PLMH算法,这种方法不仅简化了PMCMC算法的抽样问题,同时提高了M-H抽样的接受概率。模拟研究和实证研究结果表明该PMCMC算法确实能够提高算法的效率,且在利率期限结构研究中具有很高的应用价值。