面对日益复杂化的现代系统,传统对非线性系统状态进行滤波估计的算法很再难以满足一些实际应用中的复杂要求,因此国内外的众多学者逐渐将研究目光转向如何提高非线性状态系统的滤波精度。粒子滤波是近些年来日渐兴起的能广泛适用于非线性非高斯系统的新型算法,它可以在不受系统模型与噪声分布束缚的条件下更完美地完成滤波任务要求,其在故障诊断与分析、视觉跟踪、通信、统计信号处理、自动控制等多个领域的应用都能发挥特殊的优势,故而粒子滤波具有巨大的研究发展潜力。目前,粒子滤波算法还有待完善,本文基于粒子滤波算法的理论知识,针对常规粒子滤波易见的粒子退化与贫化现象提出一种基于引力场优化思想改进的粒子滤波算法,并将改进的粒子滤波算法应用于解决移动机器人同时定位与地图构建问题中,达到拓展其应用范围的目的。论文的主要工作具体如下:首先简单叙述递推贝叶斯估计理论和蒙特卡罗模拟理论的基本知识要点,继而在此基础上递推出常规的粒子滤波算法的整个运算流程。最后在Matlab仿真平台上将粒子滤波算法与经典卡尔曼滤波算法、无迹卡尔曼滤波算法进行对比,证明在处理非线性问题上标准粒子滤波算法的滤波性能比其他传统滤波算法优越,的确具有研究潜力。其次针对标准粒子滤波中粒子退化与贫化问题,提出了一种基于引力场的粒子滤波算法(GFA-PF)。GFA-PF算法的核心是:引入引力场优化思想来改进粒子滤波的重采样过程,引力场算法中的移动因子能使样本采样粒子更快速地集中在真实值附近,同时由于自转因子的存在又能够使过度集中在真实状态周围的粒子随机远离,这使得粒子在避免过份集中的同时又增加了粒子多样性。最后通过在非高斯模型和UNGM两种典型非线性模型下的仿真结果,分析证明了GFA-PF无论在估计精度、收敛时间还是鲁棒性方面,其性能均优于APO-PF和EM-PF。然后基于粒子滤波的体系之下,把GFA-PF的应用范围扩展到移动机器人SLAM研究中,从而提出一种基于引力场优化的Fast SLAM2.0算法。该算法通过将GFA-PF替换在Fast SLAM2.0算法中估计路径部分的普通粒子滤波算法,不但能优化移动机器人位姿采样粒子的分布情况,使得粒子集能够更快速地朝着真实的机器人位姿状态逼近,同时还能缓解Fast SLAM2.0算法中粒子退化与贫化现象。通过SLAM仿真实验证明,在噪声条件不变的情况下,GFA-Fast SLAM2.0算法对机器人位姿和路标特征的估计精度较EKF-SLAM、Fast SLAM2.0算法都是最好的。最后,对全文进行了总结和展望。