多传感器信息融合作为一门新兴边缘学科，近年来已经广泛应用到许多高技术领域，包括导航、防御、目标跟踪、GPS定位和机器人等领域。信息融合估计理论是多传感器信息融合这一新兴边缘学科的一个重要分支，它是多传感器数据融合与Kalman滤波理论的交叉领域。　　 本文对于多传感器线性离散随机系统，应用经典Kalman滤波方法，研究了分布式融合最优和自校正Kalman滤波问题，所做的主要的工作包括:　　 (1)当多传感器系统的模型参数和噪声统计部分/全部未知时，应用多段信息融合辨识方法，得到系统模型参数和噪声统计的局部和融合估值。本文在融合方法上，应用了三类分布式融合算法:最优加权状态融合（在最小方差意义下的按矩阵加权、标量加权和按对角阵加权融合）滤波算法、基于信息矩阵的分布式融合滤波算法和加权观测融合滤波算法。　　 (2)本文针对两类系统，一类是模型参数和噪声统计部分未知的多传感器系统，另一类是模型参数和噪声统计全部未知的多传感器系统。应用系统辨识方法和相关方法，得到模型参数和噪声统计的融合估值，将这些融合估值代入到三类分布式融合Kalman滤波器中，分别提出自校正加权状态融合Kalman滤波器、自校正加权观测融合Kalman滤波器和基于信息矩阵的自校正分布式融合Kalman滤波器。　　 (3)对于系统模型参数和噪声统计全部未知的多传感器系统，当过程噪声和观测噪声不相关或相关时，证明了所提出的自校正分布式融合Kalman滤波器的收敛性。证明自校正Riccati方程的收敛性是证明自校正Kalman滤波器收敛性的关键所在。通过动态方差误差系统分析方法，自校正Ricatti方程的收敛性问题就可以转化为时变Lyapunov方程的稳定性问题。在证明自校正Riccati方程收敛性的基础上，利用动态误差系统分析方法，可以证明自校正分布式融合Kalman滤波器的收敛性，即证明自校正分布式融合Kalman滤波器按一个实现收敛于最优分布式融合Kalman滤波器。　　 (4)将自校正分布式融合Kalman滤波算法推广到带自回归(AR)和自回归滑动平均（ARMA）有色观测噪声的多传感器多通道ARMA信号中。对于带有色噪声的多通道ARMA信号，提出模型参数和噪声方差辨识的多段信息融合辨识算法。ARMA信号和有色观测噪声都可以转化为等价的状态空间模型，进而得到增广的状态空间模型，进一步提出自校正分布式融合Kalman信号滤波器。