状态估计(也被称作滤波、跟踪、信任更新)是指利用一系列量测数据来计算我们感兴趣目标所处的状态，它是所有智能系统的核心问题。本论文以自上世纪90年代以来发展迅速的序列蒙特卡罗方法(也称作粒子滤波)作为主要的数学工具，致力于解决具有挑战性同时也是非常重要的水下目标跟踪问题。　　 第一章交代了本文的研究背景、国内外相关研究现状，并提出本文的创新点。　　 第二章首先回顾经典的卡尔曼滤波、扩展卡尔曼滤波算法。介绍了最近发展起来的不敏卡尔曼滤波器，它是基于数值算法无迹变换的最新发展起来的一种固定采样算法。通过理论分析和计算机仿真实验对扩展卡尔曼滤波和不敏卡尔曼滤波进行了对比。具体地，针对纯方位跟踪问题，提出扩展卡尔曼和不敏卡尔曼折中算法。新方法仅利用与扩展卡尔曼滤波相近的计算量即能实现与不敏卡尔曼滤波器相当的估计性能。　　 第三章给出贝叶斯理论架构，并对粒子滤波器原理进行了简介。本章研究一种参数估计问题，即频率跟踪，和一维状态跟踪问题。分别设计了相应的粒子滤波算法。对于前一问题，设计了基于高斯核和Metropolis-Hastings马尔可夫链蒙特卡罗技术的粒子滤波器；对于后者，提出一种利用奇异值分解卡尔曼滤波器产生建议分布的粒子滤波器。通过计算机仿真验证了所提方法至少对于这些具体问题是优于现有方法的。　　 从第四章开始我们着眼于本论文的主体内容-具有挑战性的水下目标跟踪问题。具体来说，第四章针对单目标跟踪问题，提出一种新的类检测前跟踪纯方位目标跟踪架构；第五章着眼于杂波环境下的多目标跟踪，提出基于不敏粒子滤波器和二维分配算法的跟踪方法；第六章处理“智能”目标跟踪问题，在粒子滤波器框架内利用一种传感器时序管理算法-协方差矩阵控制技术来解决此问题。　　 最后一章总结本论文，并给出未来该领域的研究方向。