随着传感器技术的飞速发展,无线传感器网络（Wireless Sensor Networks,WSNs）近年来逐渐受到人们的广泛关注和研究,已经越来越多地投入到人们的生活中去,带来了极大的便利。分布式的数据处理方式由于其低能耗、网络结构灵活、具有良好的鲁棒性等优点,是目前在无线传感器网络中最受欢迎的信号处理和滤波方式。无线传感器网络以分布式的方式进行工作需要网络中传感器节点以一定的协作策略进行通信并共享资源信息,其中,扩散策略要求每个传感器节点只与其一跳通信内的其他节点通信,具有通信负担较低的特点,因此在无线传感器网络中具有更高的研究价值。尽管无线传感器网络有着广泛的应用,但由于传感器本身能源的局限性、数据量的急速增长以及无线环境的干扰,传感器普遍存在一定程度的随机不确定性,其中传感器的能量约束问题和数据缺失问题最为显著。因此,基于这一事实,本文将研究在能量带宽受到约束下和测量数据丢失下的状态估计问题。首先,本文对无线传感器网络进行了介绍,并给出相应的系统模型和参数。同时引入卡尔曼滤波和分布式卡尔曼滤波,重点研究在无线传感器网络下的状态空间模型。其次,研究了无线传感器网络中,由于传感器上的功率限制,传感器之间的通信带宽通常是受限的。考虑到量化是一种节省通信带宽的有效方法,我们采用了一种抖动量化的方法降低通信代价。同时,基于最小均方误差准则和扩散策略,设计了最优本地增益和邻居增益,以利用量化信息进行融合估计,提出了一种分布式扩散量化卡尔曼滤波算法。此外,我们还分析了所提出的算法的均值性能和均方性能,发现协方差在可变带宽下是有界的。通过数值仿真验证了所提算法的有效性。最后,针对测量数据丢失的问题,本文首先提出了一种在未知数据丢失下的分布式扩散卡尔曼滤波算法,其中,数据丢失建立为一个服从伯努利分布的随机过程。根据概率模型,提出了一种基于贝叶斯概率公式的假设检验方法,能够对测量数据是否丢失进行检测。然后,基于检测结果利用节点的先验估计来代替部分已丢失的数据,提出了测量数据丢失下的分布式扩散卡尔曼滤波算法。其次,对贝叶斯假设检验的漏检情况进行了的理论分析,并对所提出的在未知数据丢失下分布式扩散卡尔曼滤波算法的均值性能分析和均方性能也进行了分析。通过实验结果可以得到所提出的算法在未知数据丢失下具有一定的鲁棒性。