粒子滤波是解决非线性、非高斯信号处理问题的有效算法,其基本原理是用待估状态后验分布上的一群随机样本点的加权和来逼近状态的真实后验分布,并以此解决各种估计问题。这种后验分布的离散逼近表示在样本数足够大时将收敛到真实的分布,且适用于任意的非线性、非高斯系统模型。虽然粒子滤波具有灵活、通用的特点,但其计算量却非常庞大,因此结合具体的应用对粒子滤波算法进行改进是用芯片实现算法之前所必须解决的问题。本文以单通道同频信号盲分离和平坦衰落信道上的信道-数据联合估计为应用背景来分析粒子滤波在实际应用中所存在的一些问题并提出相应的改进方法。在单通道同频信号盲分离的应用中,本文提出了一种基于动态粒子滤波的分离算法,该算法基于实际应用中的相位偏移、传输延迟等系统参数具有的慢变特性,对接收信号进行分帧处理并以两个步骤实现信号的分离。首先,基于最优贝叶斯估计准则,算法采用粒子滤波对系统参数进行递推估计,估计过程中基于权重修正因子的大小抛弃一些对后验分布贡献小的粒子以达到动态调整粒子总数以降低计算量的目的;其次,待参数估计算法收敛后,利用估计得到的参数,基于最大似然准则实现参数已知的信号分离,并在似然函数的递推计算过程中,抛弃一些质量差的轨迹来进一步降低计算量。仿真表明,本文提出的改进算法能获得较好的参数估计性能,并能以较低的误码率实现信号分离。混合卡尔曼滤波是粒子滤波降维技术的一个特例,然而对于系统模型中的非线性状态变量是离散型随机变量的情况,使用混合卡尔曼滤波是很低效的。本文以平坦衰落信道上的信道-数据联合估计为应用背景来说明这一问题,并提出一种改进算法,其方法是:首先递推获得非线性状态变量后验分布的精确表达式(式中所需的线性、高斯部分状态变量的估计值则用卡尔曼滤波获得),然后从中挑选出权重最大的M项来近似真实的分布,最后基于后验分布的近似表达式估计信道衰落系数和传输的符号。仿真表明,与混合卡尔曼滤波中利用粒子滤波递推估计非线性状态变量的后验分布相比,改进算法能以更低的复杂度获得更好的性能。