随着各个领域对控制对象跟踪精度和容错性的要求日益提高,单传感器检测系统已经逐渐难以满足。多传感器技术凭借自身的优势,在军事、民用领域发挥着越来越重要的作用。基于状态空间模型,状态估计方法能够根据统计规律,对一系列含误差的观测数据进行分析,获得隐于其中的被测量的估计值。在实际应用环境中,不可避免地存在着模型失配、精确噪声难以获得、初始条件未知等非理想条件,而这是以Kalman滤波(Kalman Filter,KF)为代表的无限脉冲响应(Infinite Impulse Response,IIR)估计难以从根本上解决的问题。有限脉冲响应(Finite Impulse Response,FIR)估计,仅利用最近有限观测时域内数据,能够对不确定因素表现出更高的免疫性。本文针对FIR估计的扩展及其信息融合作了初步尝试,具体研究内容如下:(1)建立增广模型,将更具一般化线性系统下的无偏FIR(Unbiased FIR,UFIR)滤波算法推广至离散状态时滞系统中。通过构造增广系统模型,对原系统进行无时滞转换。在批量形式滤波器的推导过程中同时考虑控制信号的参与,并求解对应的迭代形式,令算法保留了类KF快速计算的特点。数值仿真例子表明,所提出算法在处理状态时滞时,具有比KF更高的鲁棒性。(2)以一般UFIR滤波器为基础,提出了一种多传感器噪声相关下的分布式融合滤波。为消除状态与观测噪声相关性,采用待定系数法重构原系统,建立扩展模型,并给出局部子系统之间的滤波误差互协方差,最终以线性无偏最小方差(Linear Unbiased Minimum Variance,LUMV)准则设计按矩阵加权的最优融合估计。由于采用UFIR滤波作为局部滤波器,融合算法继承了前者的优点。目标跟踪模型和1自由度扭转系统的仿真证明,所设计的融合估计精度优于单传感器,并且与融合KF相比,对噪声信息更低的敏感性,对模型不确定具有更高的鲁棒性。(3)在融合估计的滤波环节,考虑控制信号,采用精度更高的一般最优无偏FIR(Optimal UFIR,OUFIR)滤波作为局部滤波器,充分利用融合环节中不可避免的噪声信息。在滤波误差互协方差批量计算的基础上,实现其迭代形式,并同样利用LUMV准则设计最优分布式加权融合,保留不依赖初始状态的优势和部分鲁棒性。最后,通过目标跟踪和1自由度扭转系统的仿真应用,有效验证了融合估计结果优于单传感器,并具有比融合KF更高的鲁棒性,且理想条件下精度位于融合UFIR与KF之间。