尽管序列重要性采样实现了以递推的方式对后验密度进行近似，但它存在致命缺陷：经过数次迭代后，某一个粒子的归一化权重系数趋近于1，而其他粒子的归一化权重系数均趋于0，这正是权值退化（Weight Degeneracy）问题。权值退化问题使得大量的运算浪费在毫无意义的粒子上，也使得粒子集无法表征后验概率密度。Kong等人提出以有效样本容量来表征权值退化的严重程度，在实际应用中，有效样本容量计算如下：

设定阈值Nth，通常取Nth＝2N／3。当Neff＜Nth时，权值退化较为严重，需要引入重采样步骤。

重采样的基本原理是根据粒子的权重大小决定其产生子代的多少，对权重大的粒子进行大量复制，产生较多的子代；对于权重小的粒子，则使其产生较少的子代。经过重采样步骤，共产生N个权重为1／N的子代，由这些子代构成新的粒子集（j＝1，2，…，N）。目前，常用的重采样策略有多项式重采样、残差重采样以及最小方差采样。(www.daowen.com)

重采样步骤在使样本权值均匀化之后，又引发了新的问题：权值较大的粒子复制产生的子代很多，而权值较小的粒子产生的子代很少，新粒子多样性减弱。上述问题称为样本匮乏，激励噪声方差越小，该问题就越容易出现，这是因为重采样产生的粒子集经状态方程传播后不易“分散”开。增加足够多的粒子便能够解决样本匮乏问题，但是会引起计算量的急剧上升。实际中克服样本匮乏的常用方法有马尔可夫蒙特卡罗（Markov Chain Monte Carlo，MCMC）移动步骤和正则化粒子滤波等。