基于贝叶斯估计框架下的贝叶斯滤波算法受益于控制论、信号处理、人工智能、数理统计等支撑学科理论的发展,在数十年内取得了长足的进步,已经广泛而深刻的应用于现代军事及民用领域。贝叶斯滤波的发展,推动了其在现实问题中的应用,反之,为满足应用中已经出现的或可能出现的各类问题,又需要进一步完善对贝叶斯滤波的研究。本文在目标跟踪背景下,对贝叶斯各类滤波算法展开了研究,主要体现在以下几个方面内容:首先围绕贝叶斯理论框架下的各类滤波算法在线性、非线性动态滤波问题中存在的精度低、计算复杂度高及应用场景的局限性等问题进行了研究分析,针对无迹卡尔曼(Unscented Kalman Filter,UKF)滤波精度较低、粒子滤波(Particle Filters,PF)精度高但存在运算量较大且不易应用于缺少先验信息的多传感器融合问题以及无迹信息滤波(Unscented Information Filter,UIF)能较好应用于多传感器融合问题但滤波精度较低的问题,提出了一种新的贝叶斯滤波实现方法—概率积实现方法,该方法具有滤波精度高,计算简单,实时性强,易于工程应用适用于缺少先验信息的多传感器融合问题等优点,通过将传统方法和新方法在不同运动模型及动态系统下的仿真实现,验证了新方法的有效性。进一步,对新方法所存在的不足及可改进的地方进行了探讨,最后,结合现实问题对新方法的应用前景进行了展望。