基于卡尔曼滤波线性高斯状态空间模型的参数估计为最优估计,然而在非线性/非高斯系统下,卡尔曼滤波将不再适用。近年来,滤波问题越来越复杂,对滤波的精度要求越来越高,过去的一些非线性滤波方法也越来越无法解决现实中的问题。粒子滤波是一种新的非线性滤波方法,对于系统模型特性以及噪声分布不作要求,因此在现实的滤波任务中应用广泛,特别在非线性、非高斯状态空间模型参数估计的运用上受到重视。但是,粒子滤波方法在快速发展的同时,一些问题仍有待解决,尤其是样本退化问题,使得粒子滤波的发展和应用受到限制,对非线性、非高斯状态空间模型的参数估计产生较大的偏差。因此,对粒子滤波方法进行优化和改进对于非线性、非高斯状态空间模型的参数估计和完善滤波理论、拓展其应用领域具有重要的意义。文章基于序贯重要性重采样粒子滤波算法提出分段粒子滤波,解决由于样本退化而带来的参数估计失真的问题。分段粒子滤波将观测数据划分成段,基于序贯重要性重采样粒子滤波对每段进行参数估计,最后运用荟萃分析将每段的参数估计结果汇总合并,得到最终的参数估计结果。性能仿真与分析实验结果表明,对比于序贯重要性重采样粒子滤波,分段粒子滤波有效地缓解了其退化问题,改进算法不仅在计算成本相当的情况下具有更好的估计效率,而且具有平行计算的特点,此外,能够实现实时估计,克服了蒙特卡罗马尔科夫模拟方法的缺点,并进一步完善了粒子滤波理论,拓展其应用领域。