随着系统规模和复杂程度的不断增加,混合系统逐渐成为控制领域关注的重点。研究混合系统的状态估计方法,实时获取系统的离散工作模式和连续动态行为,不仅便于识别和控制系统,同时,当离散模式包含有故障模式时,状态估计的结果还能够支持故障诊断和决策,因而具有重要的理论及现实意义。本文基于粒子滤波算法,对混合系统应用背景下的若干问题进行了相应的研究,主要工作如下：1.介绍了粒子滤波算法的基本原理及基于标准粒子滤波的混合系统状态估计算法,并分析其应用优势和存在的问题。2.针对转移概率低而导致某些离散模式没有粒子覆盖的问题,设计了一种改进的遗传粒子滤波算法。通过分析遗传算法与粒子滤波算法的相似性,将遗传算子引入粒子滤波算法,用以增加粒子多样性,使其能覆盖所有模式。在MATLAB下的仿真实验表明改进的算法能够改善滤波精度,缩短采样时间。3.针对转移概率未知的混合系统,提出了一种基于观测值的自适应粒子滤波算法。算法将转移概率扩展为系统参数进行在线估计,充分利用观测值的信息对所有后继模式进行评价,根据似然度与先验转移概率的乘积确定各模式的后验转移概率,并在估计过程中不断对其进行调整。仿真结果表明,相比于已有的转移概率自适应算法,本文提出的算法虽然运算时间较长,但是更能及时地跟踪真实模式变化,得出正确的混合状态估计和转移概率估计。4.以列车运行混合模型为背景,考虑其具有线性高斯特性,将基于观测值的自适应滤波算法与RBPF算法(Rao-Blackwellization Particle Filter)相结合,对列车运行状态进行实时估计。在MATLAB环境下模拟列车运行过程,结果表明,相比于RBPF算法,改进的算法具有更高的估计精度。