随着海洋开发与水下作战愈发受到世界关注,水下目标跟踪作为其中不可或缺的重要组成部分,越来越受到人们重视并成为研究热点。水下目标跟踪是通过水下传感器收集的量测值来快速估计移动目标的状态并且尽可能接近真实状态的复杂过程。目标状态估计问题从本质上说是非线性滤波问题,而粒子滤波不受线性高斯条件约束的优异性质使其成为解决目标跟踪中状态估计问题的有效方法。本文基于粒子滤波对水下目标跟踪相关问题进行研究,针对粒子滤波存在粒子退化与粒子贫化而导致跟踪精度不高的问题,从重要性密度函数和重采样两个角度出发,来改进粒子滤波的滤波精度。主要工作内容如下:首先,本文提出了一种改进粒子滤波算法,以均方根容积卡尔曼滤波作为建议分布,并采用自适应人工鱼群算法来优化粒子,通过觅食、聚群等鱼群行为,使粒子更接近于真实后验分布,并解决粒子退化贫化问题。此外,又设计了一种水下无线传感器网络传感器节点选择方案,在保持跟踪精度的前提下,通过每次精确地唤醒四个传感器节点来减少网络能耗。同时,针对多传感器节点的分布式信息融合问题,提出了一种基于局部估计间相似性的融合方法,以获得更好的跟踪结果。仿真结果表明,本文的方法具有优越的跟踪性能。其次,针对标准粒子滤波存在的问题,本文又将人工蜂群算法与粒子滤波相融合,提出了另一种改进粒子滤波算法,并应用于水下无线传感器网络的目标跟踪。在所提出的方法中,使用均方根容积卡尔曼滤波来生成建议分布,并且在重采样之前使用人工蜂群算法来优化粒子,将每个粒子都视为蜜源,蜂群寻找局部最佳蜜源的工作即为优化粒子的过程,这使得粒子集中有效粒子的数量增加,并提高了粒子多样性。此外,又将线性最小方差准则用于水下无线传感器网络中的分布式融合结构中,将局部估计融合在一起。仿真结果表明,本文算法在跟踪精度及效率方面优于其他经典算法。