本书系统介绍粒子滤波算法的基本原理和关键技术，针对标准粒子滤波算法存在的粒子退化、计算量大的缺点介绍了多种改进的粒子滤波算法，包括基于重要性密度函数选择的粒子滤波算法、基于重采样技术的粒子滤波算法、基于智能优化思想的粒子滤波算法、自适应粒子滤波算法、流形粒子滤波算法等，并将粒子滤波算法应用于机动目标跟踪、语音增强、传感器故障诊断、人脸跟踪等领域，最后探讨了粒子滤波算法的硬件实现问题，给出了基于DSP和FPCA的粒子滤波算法实现方法。

对运动目标（如船、飞行器等）的跟踪，主要使用雷达跟踪系统。在实际处理数据时，需要使用状态空间表示法对过程建模。在雷达跟踪系统中，目标位置的测量值是在与传感器位置相关的极坐标系下得到的。因此，雷达目标跟踪是一个非线性问题。常用的非线性滤波方法有扩展卡尔曼滤波（EKF）和不敏卡尔曼滤波（UKF），但这两种算法都基于模型线性化和高斯假设条件。历史上最早考虑的是维纳滤波，后来R.E.卡尔曼和R.S.布西于20世纪60年代提出了卡尔曼滤波。现对一般的非线性滤波问题的研究相当活跃。在处理非线性非高斯问题时，

在粒子滤波的基础上融合扩展卡尔曼滤波算法，融合后的算法在计算提议概率密度分布时，充分考虑当前时刻的量测，使粒子的分布更加接近状态的后验概率分布。将此改进粒子滤波算法在“当前”统计模型框架下进行机动目标自适应跟踪。仿真实验验证了该种方法对机动目标的良好自适应跟踪性能。