粒子滤波算法是一种解决非线性系统模型很有效的方法。粒子滤波算法其实质为运用空间中的一组样本值，并以样本均值来代替积分运算，从而得到状态方差最小的分布。但是粒子滤波是以牺牲样本有效性、样本多样性和巨大的计算量为代价的。因为这种算法需要大量的样本才可以很好的近似系统的后验概率密度，但是重采样阶段造成了样本的损失将导致样本的贫化。针对标准粒子滤波(PF)中存在的粒子退化及算法实时性问题，本文对以下粒子滤波算法进行了研究，以改善滤波算法的实时性。首先对U粒子滤波算法和系统重采样算法进行了分析和介绍，为了提高实时性，针对粒子滤波存在的退化现象，把系统重采样算法加入到UPF算法当中。对UPF和系统重采样进行改进，分别从样本产生和对重采样步骤的使用两个方面对算法进行改进，减小了算法的计算量，提高算法的运算速度。仿真结果表明，改进后的算法大大减少了运算量，从一定程度上提高了运行效率。其次结合似然分布自适应粒子滤波和样本自适应粒子滤波，将似然分布自适应和样本自适应相结合，首先在每一步状态方差估计中规定样本数的下限，同时也考虑状态方差过大和过小的情况，在重采样阶段嵌入似然采样，根据反映观测噪声实时统计性能的精度因子的大小来自适应调整似然分布状态，使之尾部更为平坦，提高滤波的精度和速度。仿真结果表明改进算法不仅能增加粒子多样性，有效防止粒子退化现象，改善滤波精度，而且能提高算法的实时性。最后对并行分布式粒子滤波的结构和算法进行研究和分析，然后把分簇的思想融入到结构上的分布式粒子滤波算法中，并对传统的分簇算法进行改进。最后将改进后的分簇思想和自适应思想结合在一起，形成分布式自适应粒子滤波以提高其原有算法的实时性。仿真结果表明，改进后的算法大大减少了运算量，从一定程度上提高了运行效率。