En un entorno no gaussiano, la precisión de un filtro de Kalman podría verse reducida. En este documento, se propone un Filtro de Monte Carlo bidimensional para superar el desafío del entorno no gaussiano para el filtrado. El método de Monte Carlo bidimensional (TMC) es primero propuesto para mejorar la eficacia del muestreo. Luego, se propone el algoritmo del filtro TMC (TMCF) para resolver el problema del filtro no gaussiano basado en el TMC. En el TMCF, las partículas se despliegan en el intervalo de confianza uniformemente en términos del intervalo de muestreo, y sus pesos se calculan basados en la inferencia bayesiana. Luego, la distribución posterior se describe de manera más precisa con menos partículas y sus pesos. A diferencia del PF, el TMCF completa la transferencia de la distribución utilizando una serie de cálculos de pesos y utiliza partículas para ocupar el espacio de estado en el intervalo de confianza. Las simulaciones numéricas demostraron que la precisión del TMCF se aproxima al filtro de Kalman (KF) (el error es de aproximadamente 10) en un entorno lineal/gaussiano bidimensional. En un sistema lineal/no gaussiano bidimensional, la precisión del TMCF se mejora en 0.01 y el tiempo de computación se reduce a 0.067 s desde 0.20 s, en comparación con el filtro de partículas.