多传感器系统的状态估计融合理论目前已经被广泛应用于军事及民用领域。估计信息的融合能够充分利用来自于不同传感器的观测信息,从而获得系统状态的最佳描述,同时能够提高系统的可靠性。然而,对于工作在复杂环境下的观测时滞系统,由于通信网络带宽限制、噪声相关性复杂、状态空间模型不匹配、多传感器观测值异步等情况的存在,给状态估计融合方法的研究带来了一系列新的问题和困难。本文以观测值随机时滞处理、噪声相关性解耦、系统模型不确定性处理和多观测值时滞特性不一致处理为基础,结合高斯滤波、强跟踪滤波、序贯滤波和分布式联邦滤波技术,分别提出了一系列的局部滤波算法和状态估计融合算法,以降低带有时间滞后特性的观测信息对融合系统的估计性能的影响。本论文的具体研究内容概括成以下几点:第一,针对融合系统中传统的局部滤波算法无法同时解决观测值带有随机时滞和过程噪声与观测噪声相关的状态估计问题,提出了带有两步随机时滞量测和噪声相关的滤波算法。首先,在高斯滤波器的框架下,通过对状态进行扩展并引入正交变换矩阵,推导了带有两步随机时滞量测和噪声相关的高斯滤波公式。然后,利用一阶线性化的方法来实现所提出的算法。最后,通过仿真实验对所提出算法的有效性和优越性进行了验证。第二,针对融合系统中的局部滤波器算法在设计过程中系统模型不准确导致状态估计精度下降的问题,提出了一种带有两步随机时滞量测和噪声相关的强跟踪滤波算法。首先,分析了标准的强跟踪滤波算法的运行机理。然后,给出了扩展正交性原理,通过计算求得渐消因子,并将其引入到系统的扩展状态预测协方差阵中,进而实现对滤波增益的实时在线调节,迫使滤波器输出的残差序列在不同时刻处处保持相互正交。最后,通过仿真实验验证了所提出的算法能够进一步提高估计精度,并具有更强的鲁棒性。第三,针对融合系统的状态估计融合方法展开研究,提出了自适应信息分配的序贯联邦滤波算法。首先,推导并分析了标准联邦滤波算法,然后,针对多传感器的观测值时滞特性不一致问题,序贯利用观测值完成所提出算法的量测更新部分,并采用估计精度衰减因子来完成融合信息在局部滤波器中的自适应分配,以得到最终的估计融合值。最后,通过仿真验证了所提出的融合算法能够实现对系统状态的精确估计。