从概率论的角度,滤波问题的最优解表现为待估计的状态关于观测数据的后验概率密度。针对非线性滤波估计问题,贝叶斯递推滤波提供了上述概率论意义下的最优解。但贝叶斯递推滤波涉及到高维积分和反函数的雅可比矩阵计算问题,这使得它的实际计算难以有解析表达式,数值计算也非常复杂。Monte Carlo方法是求解这类问题的一个有效途径。可以用序贯Monte Carlo的方法得到随时间递推的后验概率密度函数的样本集,进而得到状态估计。在高维非线性滤波问题中,所需样本个数过多且大部分样本的权重不断减小导致样本出现了退化现象。这是用序贯Monte Carlo的方法求解非线性滤波问题的困难所在。本文通过两种方法减缓高维非线性滤波的样本退化问题:一种方法是通过Rao-Blackwellisation技术将模型中可以解析计算的线性子结构提取出来,再通过序贯重要性抽样得到其它非线性状态估计,即Rao-Blackwellisation粒子滤波（RBPF）.另一种方法是选择更优的重要性函数进行抽样。我们先给出样本权重方差最小时的最优重要性函数,将含有后验信息的辅助变量扩充为状态变量的一部分,并从扩维的状态变量中抽取样本进而逼近最优重要性函数。本文先给出RBPF的滤波过程,并对非线性部分进行含有辅助变量的序贯重要性抽样。本文利用三个仿真实例对比验证粒子滤波、RBPF、基于辅助变量的粒子滤波与基于辅助变量的RBPF的滤波效果。在三维空间目标跟踪问题中发现基于辅助变量的RBPF的估计效果较粒子滤波更好。在杂波模型中,发现基于辅助变量的粒子滤波对状态变化更敏感。在系统辨识问题中,通过将未知参数作为状态变量的一部分,从而建立了混合线性/非线性状态空间模型,并使用基于辅助变量的RBPF对含有未知参数的状态变量进行估计。通过增广状态变量,可以把系统辨识中的参数估计问题转化为滤波问题。本文的一个创新性工作体现在用Rao-Blackwellisation技术来求解这个增广的滤波问题:对参数估计部分,也就是增广的那一部分状态,用卡尔曼滤波;原有的状态估计部分用基于辅助变量的粒子滤波。针对在单变量非稳态一维增长模型的系统辨识问题中,基于辅助变量的RBPF对参数的估计更加稳定,状态变量的估计更加准确,对静态参数和时变参数均有较好的估计效果。