无论在国防军事还是民用领域,目标跟踪都是一个长久不衰的话题。本篇论文以此为出发点,在深入探究滤波本质理论的基础上,全面分析现有的各种相关经典算法,并结合智能化这一前端技术,对传统粒子滤波算法进行一定的改进,不仅解决了单目标跟踪问题,提高了算法精度,还高效地避免了局部最优解的出现,同时对时间开销也得到了较好的平衡。本文首先详细地介绍了卡尔曼滤波及其改进算法以及经典的粒子滤波算法,并分别通过不同维度下动态场景仿真比较不同算法在跟踪误差精度和时间复杂度这两个指标上的差异,从而突出粒子滤波解决强非线性系统空间估计问题的优势,并进行下一步拆分和细化研究。其次,以粒子滤波过程中重要的步骤——重采样为中心开展研究。分别从源头和措施出发,进行分析和仿真复现。其源头是指重要性函数的合理选择,措施则是不同重采样方式的选取。实验结果表明两种方法均达到了较好的效果,同时也暴露了一定的局限性。再者,引入了智能化思想,同时结合寻优迭代过程中局部最优解和全局最优解的问题,提出了一种基于混沌粒子群的粒子滤波算法。该算法通过模拟生物种群个体与集体的关系,进行信息交互,迭代寻优。实验结果表明该算法,精度较之传统方法有了大幅提高。此外,为解决局部最优问题,又引入了混沌思想,通过混沌序列将粒子进行随机性处理,使得出现全局最优的可能性大幅增加,但也带来时间开销增加和迭代收敛效率低下问题。通过仿真实验,验证了其正确性和可行性,同时实现结果也说明迭代收敛速度问题亟待解决。最后,针对实验中发现的迭代收敛效率低下的问题,本文又提出了基于AntiSigmoid的动态惯性权重改进方法。相比于通过固定速度权重和简单非线性权重来进行迭代速度的控制,本文提出的方法很好地解决了迭代不同阶段中惯性权重选值的问题,让所生成的权值更加高效地在局部最优和全局最优的选择中均衡分配。同时从时间复杂度上考虑,该改进算法并未明显增加运算时间,也说明了其可行性。文章最后进行了总结性仿真对比试验,通过在不同噪声环境下的算法仿真,分析和比较了粒子滤波、粒子群粒子滤波、混沌粒子群粒子滤波以及基于Anti-Sigmoid动态惯性权值的混沌粒子群粒子滤波算法这四种递进改进算法的性能指标,并改变不同参数进行横向和纵向的比较,仿真结果表明了算法对不同的模型都具有普适性和鲁棒性,同时保证了较高的精度和时效性。