在非线性系统滤波问题中,粒子滤波算法因不受系统高斯假设的约束且易于实现,受到了广泛关注。然而,粒子滤波算法中存在的粒子退化和样本贫化难题,严重影响滤波性能。因此,对粒子滤波算法进行优化改进具有重要的理论与实际意义。本文针对粒子滤波算法中粒子退化问题展开研究,主要包括以下几方面内容:1.针对如何从重要性密度函数的优化设计出发解决粒子退化的问题,研究了熵准则结合扩展卡尔曼滤波的重要性密度函数设计方法,进而提出了最大熵扩展粒子滤波算法。由于量测信息在包含野值或受非高斯重尾噪声干扰的条件下,利用其指导粒子滤波的重要性采样会导致粒子退化速度加快。因此,本文将解决野值问题的熵准则引入扩展卡尔曼滤波中,推导了包含信号高阶矩信息的重要性密度函数,利用其指导重要性采样以驱使粒子向当前状态的条件后验分布高概率的区域聚集。仿真实验表明,所提算法在一定程度上减缓了粒子退化速度,解决了量测信息受野值和非高斯重尾噪声干扰下的滤波问题,实现了状态估计精度在非高斯环境下的提高。2.针对如何从优化粒子分布出发解决粒子退化的问题,研究了粒子变异和基于极小化极大风险思想的粒子筛选策略,由此提出了基于极小化极大风险的变异粒子滤波算法。当先验分布作为重要性密度函数时,由于在似然函数位于先验分布尾部或观测精度较高的条件下,先验与似然重叠区域的粒子减少,会导致粒子退化速度加快。因此,本文通过对先验粒子集中低权粒子实施变异加筛选的组合策略,以获得更多位于先验与似然重叠区域的高权粒子,进而抑制粒子退化。首先对先验粒子集中未经变异的低权值粒子进行检测,对其实施粒子变异策略,获得变异后粒子;然后设置权重阈值,对变异后粒子实施基于极小化极大风险思想的筛选策略;重复实施组合策略直到所有粒子符合要求。仿真实验表明,所提算法降低了后验粒子权值的方差,有效地抑制了粒子退化,实现了非线性滤波估计精度的提高。