为了解决粒子滤波的非线性全局优化问题，基于重采样的思想是移除权重小的粒子，增加权重大的粒子数量，提出利用邻域搜索重采样的粒子滤波（NIRPF）进行目标跟踪。首先，预测粒子，并利用重要序列采样（SIS）给粒子赋权值；然后，在搜索后验概率密度的高概率区过程，更新单个粒子位置，利用高斯-邻域搜索迭代地加权所有粒子；最后，进行当前状态的估计。纯方位目标跟踪问题涉及两个静态观察器和非机动和机动两类目标。蒙特卡罗仿真结果验证了提出方法的有效性，与均方根容积卡尔曼滤波、容积粒子滤波和随机搜索的粒子滤波相比，提出的方法拥有更快的初始收敛速度，非机动目标和机动目标的根均方误差（RMSE）和时间根均方差（RTAM