针对参数未知的一般状态空间模型，我们提出了两种新的序贯蒙特卡罗（SMC）平滑方法。第一种是对Carvalho、Johannes、Lopes和Polson（2010）的粒子学习与平滑（PLS）算法进行了修改，并对反向重采样权重进行了调整。第二种方法称为重新过滤，它是一种两阶段的方法，结合了顺序参数学习和粒子平滑算法。我们使用模拟数据说明了三个基准模型的方法，并将其应用于金融危机期间标准普尔500指数每日收益的随机波动率模型。我们表明，这两种新方法都优于现有的SMC方法，并且重新滤波与基于马尔可夫链蒙特卡罗（MCMC）和粒子MCMC的平滑方法具有竞争力。