本文在分析传统的非线性时间序列建模和预报方法基础上,提出利用适合于非高斯、非线性过程的粒子滤波技术,对非线性时间序列的建模和预报进行新方法研究。针对待预测数据对象在动态转移过程中发生结构性突变时,难以建立实时解析数据变化趋势模型的特点,提出利用粒子滤波技术对非线性时间序列模型进行参数估计。首先对时间序列进行初步建模,将获得的参数作为粒子,对粒子加以一定的扰动,形成粒子集,即参数集,观测值以此模型和参数进行状态转移,获得后验概率密度,根据观测值和真实值的偏差获得粒子权重,从而得出逼近最优估计的状态转移模型参数。针对数据预报实时多变的特点,本文采用非线性时间序列方法动态构建状态转移模型,并采用基于蒙特卡罗仿真的粒子滤波算法利用状态空间中的一系列加权随机样本集来近似系统状态的后验概率密度函数,对非线性时间序列残差波动率进行估计与预测。实验表明,基于粒子滤波的非线性时间序列预报算法比单纯使用时间序列建模方法更准确。本文将基于粒子滤波最优估计的非线性时间序列预报方法应用到目标跟踪领域,以目标模板作为粒子滤波观测值,以粒子所在图像区域获得的像素信息作为状态值,使用非线性时间序列自适应实时建模方法,挖掘目标运动轨迹规律,实现粒子状态转移,再根据粒子滤波重采样技术,对粒子权值信息进行加权求和,获得粒子滤波状态转移后的下一时刻的目标信息。实验表明,基于粒子滤波的时间序列预报算法相对于传统的交互式模型算法在跟踪性能上表现出了一定的优势,跟踪速度快,精度高,实时性好。