随着科学技术的发展，对海洋资源的争夺愈演愈烈。船舶动力定位技术为海上资源的开发提供了一种有效手段，但如何提高DP（动力定位）船舶的作业安全性以及定位精度，一直是这项技术的研究重点。在海上，由于各种环境作用力和各种不确定因素使得仅靠单个传感器实现定位的效果总是差强人意。因而，利用多传感器进行数据融合，成为了研究的热点。这篇文章以DP船舶为主要研究背景，针对船舶非线性条件下，提出了基于船舶位置测量系统的三种状态估计方法，对船舶位置进行状态估计，再利用多级式多传感器数据融合结构得到了船舶的当前运动状态，为实现船舶的精确定位提供了有力保障。首先，本文进行系统的模型建立，其中主要有船舶运动模型和传感器观测模型。船舶运动模型建立主要包括船舶的高、低频运动，以及海上的各种环境干扰因素的建模。传感器观测模型的建模主要是对船舶位置测量系统（张紧索位置测量系统、水声位置测量系统、GPS位置测量系统）进行模型建立。其次，简要介绍了状态估计的几种常用方法。在非线性滤波的领域中，写出了扩展卡尔曼滤波（EKF），无迹卡尔曼滤波（UKF），中心差分卡尔曼滤波（CDKF），求容积卡尔曼滤波（CKF）几种方法的预测-更新迭代步骤和性能分析，来对当前几种热点的非线性状态估计方法进行概略性的说明，为后续非线性滤波器的算法仿真打好坚实的理论基础。然后，在船舶运动的非线性条件下，提出了三种基于船舶位置测量系统的非线性状态估计方法。利用求容积卡尔曼滤波,无迹卡尔曼滤波,中心差分卡尔曼滤波分别对船舶位置进行状态估计，并通过仿真验证充分证明了该方法在此系统中的实用性，从而在理论上证明了该算法的有效性，为工程应用奠定了理论基础。又通过对比验证，证明了这三种滤波算法的性能优劣。最后，对当前几种数据融合结构（集中式、分布式、多级式）进行简要的说明，阐述了它们的融合原理和特点。继而，基于位置测量系统提出了一种多级式数据融合结构，并分别针对全反馈和无反馈两种情况，进行算法的仿真验证，充分证明了该融合方法的可用性。