粒子吉布斯采样器是一种马尔可夫链蒙特卡罗（MCMC）算法，用于从状态空间模型的全后验分布中进行采样。它通过对在交互粒子系统生成的辅助变量空间上定义的扩展目标分布执行吉布斯采样步骤来实现。本文对该算法的理论研究做出了以下贡献。首先，我们提出了两个不同起点的粒子Gibbs更新之间的耦合结构，并证明了通过增加粒子数可以使耦合概率任意接近1。我们得到了粒子Gibbs核一致遍历的直接推论。其次，我们展示了包含一个额外的Gibbs采样步骤（该步骤重新选择粒子Gibbs扩展目标分布的祖先）是如何产生一个理论上更有效的算法的。Gibbs的扩展目标分布是实践中改进混合的一种流行方法。第三，我们扩展了粒子Gibbs来处理低方差重采样方案。提供了一个详细的数值研究，以证明粒子Gibbs和提出的变体的效率。