هرچند که فیلتر ذره ای (particle filter) ابزاری موثر در ردیابی شیء می باشد، اما یکی از محدودیت های موجود، نیاز به وجود مدلی دقیق برای حالت سیستم و مشاهدات است. بنابراین یکی از زمینه های مورد علاقه محققین تخمین تابع مشاهده با توجه به داده های یادگیری است. تابع مشاهده ممکن است خطی یا غیرخطی در نظر گرفته شود. روش های موجود در تخمین تابع مشاهده با مشکلاتی مواجه هستند. از جمله این مشکلات، وابستگی به مقدار اولیه پارامترها در روش های دومرحله ای مبتنی بر expectation maximization (em) و نیازمندی به یک سری مدل از پیش تعریف شده در روش های مبتنی بر چند مدل می باشد. در این پایان نامه برای اولین بار از فیلترهای وفقی (klms) kernel least mean square و (krls) kernel recursive least square برای تخمین تابع غیرخطی مشاهده استفاده شده است. با فرض معلوم بودن تابع فرآیند و با داشتن دنباله ای از مشاهدات تا زمان فعلی، تابع مشاهده مجهول تخمین زده شده است. در ادامه برای کاهش هزینه محاسباتی و افزایش سرعت اجرا، از روش تُنُک سازی داده ها با استفاده از روش وابستگی خطی تقریبی استفاده شده است. الگوریتم پیشنهادی در دو کاربرد مورد ارزیابی قرار گرفته است. آزمایش اول بر مدل های سری زمانی و دیگری روی ردیابی شی ویدئویی اعمال شده است. در انتها مقایسه نتایج نشان می دهد که نتایج الگوریتم پیشنهادی ، به نتایج حالتی که در آن تابع مشاهدات معلوم در نظر گرفته می شود، همگرا خواهد شد.