采样型非线性滤波器在实际系统中有着广泛应用。随着传感器精度提升,采用多次利用量测值与预测值进行融合的滤波思路由于其高性能从而得到广泛关注。本文围绕确定性和随机性采样型非线性滤波器开展研究,主要成果如下:1、确定性采样迭代滤波器。传统迭代滤波算法在迭代过程中没有考虑估计值与量测噪声之间的耦合关系,因而滤波估计精度较低。为了获得更精准的滤波估计值,提出了确定性采样迭代滤波（Deterministic sampling iterated filter,DSIF）算法。其在迭代过程中充分考虑估计值与量测噪声的耦合关系,且将量测噪声均值、量测噪声协方差以及估计值与量测噪声的协方差作为待估计量进行更新。计算复杂度分析证明所提算法与传统迭代非线性滤波算法计算量同阶。多种仿真场景的验证结果表明,所提DSIF算法可以得到更好的估计精度。2、量测转换非线性滤波器。非线性系统中,在每一时刻,利用单次量测值对预测值进行更新的传统非线性滤波（Nonlinear filter,NLF）算法由于没有充分利用量测值,从而导致滤波估计效果略差。为了提高滤波估计精度,提出了量测转换非线性滤波（Measurement conversion nonlinear filter,MCNLF）算法。该算法对量测进行多次转换,而后用转换后的量测依次对滤波估计值进行更新,这可以充分挖掘量测值中蕴藏的有效信息,且在更新过程中充分考虑估计值与量测噪声的耦合关系。仿真结果表明,比起NLF算法,所提MCNLF算法可以得到更精确的滤波估计值,且具有较好的可扩展性。3、多建议分布模型采样粒子滤波器。粒子滤波（Particle filter,PF）算法不可避免的存在粒子退化和贫化问题,导致滤波估计值不精确。为了获得更好的滤波估计效果,从重要密度函数入手,提出了多建议分布模型采样粒子滤波（Multi-proposal distribution model sampling particle filter,MPDMSPF）算法。所提算法通过多种建议分布加权的形式获得混合建议分布,而后通过求取每个粒子点似然的方式得到每个建议分布的权重,最后利用粒子加权求和形式得到估计值及其估计协方差。多组仿真结果表明,所提MPDMSPF算法可以在较低运算时间前提下获得更好的滤波估计效果。