由于卡尔曼滤波器具有结构简单、性能最优、易于被掌握和应用等一系列的优点,其已被广泛应用于状态跟踪和估计等科学领域。值得一提的是,由于其线性的推导和计算过程,决定了卡尔曼滤波器不能应用于非线性系统。然而,UKF(Unscented Kalman Filtering)滤波方法却可以通过一组代表着均值和方差分布的采样点来对非线性系统进行非线性计算,在不对非线性方程线性近似的条件下,达到线性卡尔曼滤波器的滤波性能。随着UKF滤波器在非线性状态估计领域的不断发展,越来越多的学者开始关注和研究UKF滤波方法。本文主要研究的是UKF滤波方法的滤波性能、现存问题和改进方法。首先,介绍和分析了几种重要的UKF采样策略。同时,采用了一种自适应比例采样策略,并且进行仿真实验证明了其有效性。然后,对该自适应采样策略中的比例因子进行了有益的讨论,并详细研究了该采样策略的适用范围和优缺点。然后,详细讨论了存在模型误差的UKF算法。为减小线性化误差对非线性系统状态估计的影响,本文采用采样滤波器中的渐消记忆方法进行高精度滤波。同时深入研究UKF的自适应渐消记忆策略,以增强对建模误差的鲁棒性和对突变状态的跟踪能力,提高状态估计的精度和快速性。最后,为了提高UKF滤波器的滤波精度和收敛速度,采用了一种混合动态系统传递模型下的噪声自适应算法。基于方差匹配法和对噪声的缩放,该自适应UKF算法能自动的使整个系统达到最优。