在目标跟踪领域,最经典的滤波算法是卡尔曼滤波和扩展卡尔曼滤波,其中前者是用于线性系统,后者是用于非线性系统。卡尔曼滤波是最小均方意义下的最优滤波算法,而扩展卡尔曼滤波在非线性不是特别严重的情况下,有着近似最优的滤波效果。但是对于强非线性以及非高斯分布噪声的环境下,卡尔曼滤波和扩展卡尔曼滤波算法的性能指标下降,甚至出现发散。本文主要研究非线性滤波算法,文章对粒子滤波算法进行了归纳介绍。粒子滤波算法是一种能处理非线性、非高斯分布噪声问题的滤波算法。该算法近年来在通信、雷达跟踪、目标跟踪、图像处理、计算机视觉、故障检测等领域都得到了应用。粒子退化是粒子滤波算法中不可避免的现象,解决方法主要是选取好的重要性密度函数和粒子重采样。目前还没有一种通用的选择建议分布的方法,每种建议分布各有其优缺点。本文描述了一种改进的粒子滤波算法。该算法采用无迹卡尔曼滤波(UKF)产生系统的状态估计,并在量测更新过程中加入衰减记忆因子,消弱滤波器对历史信息的依赖,增强当前量测信息对滤波器的修正作用,从而产生一个优选的建议分布函数,较好地抑制了粒子退化问题。文章中通过MATLAB仿真实验,将改进的滤波算法与其它粒子滤波算法进行比较,实验结果表明,此算法是一种有效且能够取得更好估计效果的算法。多机动目标跟踪技术在军事、民用等各个领域都有广泛的应用。而数据关联环节是多机动目标跟踪问题中比较重要的环节,即判断一个特定的测量属于哪一个目标的问题,进而把全部或部分新量测数据分配给已建立的轨迹。本文把最近邻法和粒子滤波算法结合起来运用到目标跟踪系统中,并且比较分析UPF粒子滤波与改进的滤波算法对多目标跟踪的性能,从仿真图上可以看出改进的滤波算法能够较好吻合真实轨迹,并且有较高的估计精度。