近年来,粒子滤波(又称为序贯Monte Carlo滤波)渐渐成为了目标跟踪领域的一个研究热点。在此背景下,本学位论文主要研究了基于粒子滤波的目标跟踪算法及其FPGA硬件实现。论文首先研究了粒子滤波算法的重采样步骤,提出了一种基于阈值的简化重采样算法,并给出其FPGA硬件实现结构。由于采用了基于阈值的简化机制,重采样模块的硬件实现较为简单。仿真结果表明该重采样算法具有与传统的系统重采样算法相似的均方根误差(RMSE)及轨迹丢失性能。FPGA硬件平台上的实验结果表明该算法结构具有功耗更小,存储效率更高,速度更快等优势。在此基础上,论文研究了基于粒子滤波的纯方位跟踪算法的硬件实现。针对粒子滤波运算量大,硬件复杂度高的问题,论文提出了一种简化的粒子滤波算法。在算法研究的基础上,侧重研究了基于FPGA的硬件电路实现方法,给出了系统的整体硬件结构及各个子模块的实现方案。硬件实验表明,该简化滤波器可以实现对被动目标的纯方位跟踪,并具有较快的处理速度。此外,针对粒子滤波纯方位跟踪算法中因过程噪声比测量噪声小而导致的粒子匮乏问题,论文提出了一种粒子粗糙化方法及其硬件实现结构。该方法充分利用权值较大粒子的新息对重采样后的粒子进行粗糙化加扰处理,从而增加了粒子的多样性。仿真与实验结果表明,在基本不增加硬件实现复杂度及运行时延的前提下,该方法可以较好地解决纯方位跟踪问题中的粒子匮乏现象。考虑到传统多模粒子滤波算法中每一模型的粒子使用数目是时变的,不利于硬件实现,论文提出了一种易于硬件实现的跟踪机动目标的多模粒子滤波算法。该算法将“当前”统计模型与匀速运动模型相组合,并假设先验模型概率及模型转化概率是固定不变的,因此避免了多模型算法的模型选择问题且可以保证每一模型使用固定的粒子数,从而具有确定的运行时间,可以用固定的硬件结构实现。为了提高系统的运行速度,该算法还为每一模型的重采样模块引入独立Metropolis Hastings采样算法,无需等待计算所有粒子的权值就可以开始运行重采样操作。此外,论文还给出了系统重采样／采样模块的实现方案及系统的整体硬件结构。FPGA硬件平台上的实验结果表明,该算法在保证跟踪性能的同时,更易于硬件实现且具有较快的运行速率。论文最后研究了基于概率假设密度(PHD)粒子滤波的多目标跟踪问题。在介绍了基于随机集理论的PHD粒子滤波多目标跟踪算法的基础上,论文提出了一种跟踪多机动目标的新颖多模PHD粒子滤波算法,在无需知道目标的运动模型及模型间的转化概率情况下可以获得较好的跟踪性能,且具有比传统多模PHD粒子滤波算法更快的处理速度。在算法研究的基础上，论文还研究了PHD粒子滤波算法的硬件实现问题。