序列蒙特卡罗（SMC）基于重要抽样和重抽样的原理，包含了一系列处理复杂随机动态系统的强大技术。许多这样的系统都有很强的记忆力，有了这些记忆力，未来的信息可以帮助加深对当前状态的推断。通过对几种现有算法进行理论论证，并引入几种新算法，我们系统地研究了如何构造高效的SMC算法，以利用“未来”信息，同时又不会产生很大的计算负担。其主要思想是允许在蒙特卡罗过程中进行前瞻，以便将来的信息可以用于加权和生成蒙特卡罗样本，或从当前状态的样本中重新采样。