为了解决似然函数、目标重要性密度函数和非线性滤波实际目标分布之间的不匹配问题，提出了一种贝叶斯序列重要性平方滤波器（SIQF）。为了减小似然函数峰与贝叶斯推理目标分布之间的偏差，通过时空软约束定义了最近一次观测的有界似然，并对观测噪声进行截断以逼近可行域的修正先验。为了调节重要性函数与目标分布的匹配度，对修正先验和原始先验下的状态进行并行分析，并引入最大相关信息熵来构造覆盖多模分布的重要性函数，实验结果表明，与无迹粒子滤波估计的一维单变量增长模型相比，在不牺牲计算复杂度的情况下，SIQF算法的平均误差降低了63%。与多模型跟踪空域机动目标相比，SIQF算法均方根误差减少了33%，所需计算量减少了一个数量级