贝叶斯动态模型理论中的参数估计及模型选择问题尚未找到好的解决方法，而随机模拟方法(又称蒙特卡罗法)在解决高维概率密度的积分问题及统计建模和推断方面取得的成功启发我们将此方法应用到解决贝叶斯动态模型的参数估计及模型选择问题上。本文对此进行尝试并取得了一定成果。 直接对非线性贝叶斯动态模型进行参数估计是相当困难的，而有限混合模型提供了一个用简单结构拟合复杂概率密度的方法，为此，在第三章，我们首先将非线性贝叶斯动态模型转换为有限混合模型，然后用马尔可夫链蒙特卡罗(MCMC)模拟中的Gibbs抽样法来估计混合模型中的参数，从而实现了对参数估计问题的改进。在MCMC模拟的过程中，Markov链的收敛速度对模型预测的效果至关重要，为提高收敛速度，我们在第四章采用嵌入式隐马尔可夫模型(EHMM)抽样法来构造Markov链。可以证明，该方法的收敛速度比传统的MCMC方法收敛速度有明显加快。文中证明了这一结论并以一维非线性状态空间模型为例加以说明。 在贝叶斯动态模型的选择过程中，当两个模型的状态参数维数不同时，它们之间的转移是不可逆的，为克服这一困难，我们在第五章中按Metropolis-Hasting准则设计可逆跳跃采样器，并以此实现了不同维数模型之间的可逆跳跃。在利用贝叶斯因子进行模型选择和监控时，对于如何进行贝叶斯因子的计算的问题，Newton和Raftery提出用修正的调和均值来估计，Lewis和Raftery提出了Laplace-Metropolis估计方法，但是这两种方法中正则化常数的计算问题是很复杂的。本文利用Gelman和Meng提出的路径抽样法(PathSampling)来计算贝叶斯因子，很好地简化了正则化常数的计算。