在目标跟踪领域,最经典的滤波算法是卡尔曼滤波和扩展卡尔曼滤波,其中前者是用于线性系统,后者用于非线性系统。卡尔曼滤波是最小均方意义下的最优滤波算法,而扩展卡尔曼滤波在非线性不是特别严重的情况下,有着近似最优的滤波效果。但是对于强非线性以及非高斯分布噪声的环境,卡尔曼滤波和扩展卡尔曼滤波算法的性能指标下降,甚至出现发散。　　 本文主要研究非线性滤波算法,文章对粒子滤波算法进行了归纳介绍。粒子滤波算法是一种能处理非线性模型、非高斯分布噪声问题的滤波算法。该算法近年来在通信、雷达跟踪、目标跟踪、图像处理、计算机视觉、故障检测等领域都得到了应用。　　 本文介绍了顺序重要性采样技术,该技术是粒子滤波算法的基础。早期的粒子滤波算法存在退化现象,解决的办法是选择好的重要性函数和重采样方法。本文在众多粒子滤波算法的基础上,提出一种新型的重要性函数的选取方法,来改进粒子滤波算法的估计性能,该算法被称为辅助无迹粒子滤波算法。　　 本文提出的辅助无迹粒子滤波算法思想,是首先通过一般粒子滤波算法步骤得到当前时刻状态的初步估计;然后引入一组辅助模型;再在辅助模型的基础上通过无迹变换得到进一步的采样样本,利用无迹卡尔曼滤波算法求得这些样本的均值和方差,通过这些均值和方差来生成重要性采样函数。本文在多种环境下,多种条件中将各种算法进行仿真比较,实验结果表明辅助无迹粒子滤波算法是一种有效的算法,其估计效果,稳定性,以及对环境的适应性都要优于其他的算法。　　 本文将提出的辅助无迹粒子滤波算法与多机动目标跟踪问题中的数据关联技术中的联合概率数据关联算法相结合,提出了一种新型的蒙特卡罗联合概率数据关联滤波器。并将其应用于多目标跟踪实例中,证明了该滤波器有效性。