粒子滤波是非线性滤波领域中的重要方法之一,是蒙特卡洛方法和贝叶斯理论结合产物。它通过非参数化的蒙特卡洛模拟从时域角度实现了递推贝叶斯滤波。粒子滤波方法可以应用于状态空间模型描述的系统中,并且具有良好的精度。本文在现有的理论基础上,重点研究粒子滤波中观测噪声的高斯混合模型建模以及使用变分贝叶斯进行参数估计的过程。在粒子滤波的状态空间模型中,观测噪声kv通常被假设为零均值高斯白噪声信号,但是在实际应用过程中,绝对的线性高斯系统是不存在的。基于高斯噪声模型的信号处理方法在非高斯噪声环境下的工作性能将会大幅度降低甚至无法工作。如果能够辩识非高斯噪声的统计特性并加以利用,则能大幅提高信号处理性能。本文对观测噪声使用高斯混合分布进行建模,然后使用变分贝叶斯学习方法对混合分布的未知参数进行估计,最后将此模型参数估计应用在粒子滤波对观测噪声的处理中,具体工作如下:(1)运用高斯混合模型对非高斯的观测噪声建模,使用变分贝叶斯学习方法对模型的未知参数进行参数估计。变分贝叶斯方法利用一个易于计算的分布来逼近参数真实的后验概率分布,对联合概率密度每个参数的似然函数边缘化:将多参数多变量的联合概率密度分布分解为每个参数变量边缘概率密度分布的乘积,因此多个变量的参数估计转化为对单个变量边缘概率密度分布的迭代估计。理论分析和大量数值分析表明,变分贝叶斯算法可以准确有效地估计出混合模型的未知参数。(2)提出了一种基于变分贝叶斯学习参数估计的边缘化粒子滤波方法。该方法首先构建了贝叶斯滤波的递推模型,然后将变分贝叶斯学习方法在高斯混合模型的参数估计应用在粒子滤波中。同时为了提高算法的准确度,构建观测噪声的超参数启发模型,保证高斯混合模型的信息可以在预测后保持。本文设计了已知观测噪声的统计量的对照算法与本文算法进行大量的对比实验,理论分析与仿真实验均表明本文算法可以准确有效的估计观测噪声的统计量,提高了粒子滤波的滤波性能。