En este estudio, comparamos dos nuevos métodos híbridos de asimilación de datos (DA): el filtro de Kalman en conjunto ponderado localizado (LWEnKF) y el suavizador de partículas variacional de pesos iguales implícitos (IEWVPS). Estos métodos integran un filtro de partículas (PF) con métodos tradicionales de DA. LWEnKF combina el PF con EnKF, mientras que IEWVPS integra el PF con el método variacional de cuatro dimensiones (4DVAR). Estos métodos híbridos de DA no solo superan las limitaciones de las suposiciones lineales o gaussianas en los métodos de asimilación tradicionales, sino que también abordan el problema de la degeneración del filtro en modelos de alta dimensión que enfrentan los PF puros. Utilizando el Sistema de Modelo Oceánico Regional (ROMS), se examinan los efectos de diferentes métodos de DA para los remolinos de mesoescala en el norte del Mar de China Meridional (SCS) mediante experimentos de simulación. Los métodos híbridos de DA superan a los métodos variacionales deterministas lineales y de filtro de Kalman: en comparación con el experimento de control (sin asimilación), EnKF, LWEnKF, IS4DVar e IEWVPS reducen el error cuadrático medio de la anomalía del nivel del mar (SLA) en un 55%, 65%, 65% y 80%, respectivamente, y reducen el RMSE de la temperatura de la superficie del mar (SST) en un 77%, 78%, 74% y 82%, respectivamente. En el experimento de asimilación a corto plazo, IEWVPS muestra un rendimiento superior y mayor estabilidad en comparación con 4DVAR, y LWEnKF supera a EnKF (el RMSE posterior de SLA de LWEnKF es de 0.03 m, inferior al valor de 0.04 m de EnKF). También se realizan experimentos de pronóstico a largo plazo (16 días, comenzando el 20 de julio de 2017) para la predicción de remolinos de mesoescala. Los métodos variacionales (especialmente IEWVPS) tienen un mejor desempeño en la simulación de las características del campo de flujo de los remolinos (manteniendo una estructura de remolino precisa durante los primeros 10 días, con un RMSE promedio de SLA de 0.05 m en la región del remolino AE1 estudiada), mientras que los filtros son más ventajosos para determinar el error cuadrático medio total (RMSE), así como la temperatura bajo la superficie del mar. En general, en comparación con EnKF y 4DVAR, los métodos híbridos de DA predicen mejor los remolinos de mesoescala en escalas de tiempo tanto a corto como a largo plazo. Aunque los costos computacionales de la DA híbrida son más altos, siguen siendo aceptables: específicamente, IEWVPS toma aproximadamente 907 s para un ciclo de asimilación único, mientras que LWEnKF solo toma 24 s, y su precisión de asimilación en la etapa posterior puede acercarse a la de IEWVPS. Dadas las demandas computacionales derivadas del aumento de la resolución del modelo, estos métodos híbridos de DA tienen un gran potencial para aplicaciones futuras.