卡尔曼滤波算法最开始只能应用于线性系统，Bucy、Sunhara等人提出并深入研究了扩展卡尔曼滤波算法（EKF），将卡尔曼滤波算法原理进一步运用于非线性的系统。扩展卡尔曼滤波算法（EKF）的基本原理是先将非线性系统进行线性化处理，然后再进行传统的卡尔曼滤波处理，所以扩展卡尔曼滤波算法是次优滤波估计算法。此后，多种高阶卡尔曼滤波算法被提出来，提升了卡尔曼滤波算法对非线性系统的预测能力。高阶的卡尔曼滤波算法采用泰勒级数展开，虽然提高了估计的精度，减小了线性化近似处理中的差值，但同时也大大增加了计算量。因而实际使用时受到了比较大的限制，没有一阶扩展卡尔曼滤波算法应用的范围广[11]。28082
与对没有线性化处理的非线性系统的估计相比，对高斯噪声的模拟要更加简单。基于这种事实，Julier和Uhlmann提出的无迹卡尔曼滤波（UKF）。无迹卡尔曼滤波算法是对线性卡尔曼滤波算法的拓展。与上述的滤波方法不同，无迹卡尔曼滤波算法可以直接运用于对非线性系统的处理，不需要对非线性系统进行线性化，也不需要计算Jacobian矩阵[12]，这就使得算法大大简化，提高了处理效率，并且有类似扩展卡尔曼滤波算法的算法结构。对于线性系统而言，扩展卡尔曼算法与无迹卡尔曼算法拥有相同的估计特性，可以选择任一算法来处理。但是对非线性系统而言，当干扰较大时，无迹卡尔曼算法有着更好估计效果。论文网
Wan和Merwe将无迹卡尔曼滤波算法应用到非线性系统的双估计和参数估计中，提出了基于无迹卡尔曼滤波的方根滤波算法。这种算法不仅可以保证滤波算法的稳定性，提高了算法计算效率，并且大幅度降低了实际计算量。无迹卡尔曼滤波算法是粒子滤波中一种重要的重点分布生成方式。以上的研究显示，当系统具有非线性特征的时候，采用无迹卡尔曼滤波算法具有比较好的适用性，也能得到更加精确的估计效果。
随着计算机技术的不断发展以，计算机处理速度提高，及计算机计算所需资源的大幅度减少，粒子滤波（PF）已经成为了处理非线性模型的有效方法也是热门研究领域。这种方法实际上是使用蒙特卡罗仿真（MCS）方法来实现的一个递推贝叶斯估计，算法的思想是采用具有对应权值的随机样本集合来表征后验密度。这方面已经有大量的科学研究，现今粒子滤波方法已经广泛地应用在目标跟踪领域中。 非线性滤波算法的发展研究现状:http://www.youerw.com/yanjiu/lunwen_22800.html