在非线性滤波领域,粒子滤波算法在继传统的扩展卡尔曼滤波算法和无迹卡尔曼滤波算法之后开始得到人们的重视,并广泛应用于目标跟踪、导航制导与控制、图像处理及故障检测等领域。粒子滤波是一种基于蒙特卡洛模拟实现递推贝叶斯滤波的技术,利用在状态空间中传递的随机样本,对状态后验概率密度函数进行近似,并根据蒙特卡洛估计原理估计状态值。本质上适用于任何非高斯及非线性的情况。但是,粒子滤波也存在固有的缺陷,如粒子退化、样本贫化及计算速度慢等问题。本论文针对传统粒子滤波技术的固有缺陷,研究对粒子滤波算法的改进及其硬件实现问题,主要研究工作包括:1,针对传统粒子滤波算法粒子退化及样本贫化的固有缺陷,利用免疫粒子群优化思想对粒子滤波的重采样环节进行优化处理,提出免疫粒子群粒子滤波算法(IMPSOPF),通过状态估计及目标跟踪应用的仿真研究,证明该算法在解决粒子退化问题的同时避免了样本贫化现象,算法是有效的。2,针对粒子滤波算法计算速度慢的固有缺陷,本论文通过MATLAB辅助ISE的设计方法将串行算法进行模块划分及Verilog语言描述,并在赛灵思V5系列FPGA中实现IMPSOPF算法。硬件算法的目标跟踪应用的仿真研究表明,基于FPGA的IMPSOPF算法在保证算法估计状态精度的同时,极大的提高了算法的运算速度,为今后IMPSOPF算法应用于目标跟踪、导航制导与控制等实时性要求较高的领域奠定了坚实的理论基础。