自动控制系统受到多种类型复杂噪声的干扰，基于Bayesian的传统滤波方法要求被估计过程具备充分的随机先验知识，显然，在实际情况中，这个要求很难完全满足。如果滤波方法对噪声的假设不符合实际情况，也就难以得到理想的估计结果。因此，本文在现有研究成果的基础上，寻找一种新颖和实用的方法，以适当放宽滤波方法对噪声先验知识的要求，从而设计出能够兼顾一定鲁棒性和精度的滤波器。最后通过选择适当的滤波器，将其应用到全球定位系统(Global Positioning System，GPS)软件接收机的载波跟踪环路以及GPS/DR(GPS/Dead-Reckoning)组合导航中。　　具体研究工作包括以下几个部分的内容：　　1.针对系统噪声的统计特性往往很难获得，研究了一种基于噪声统计特性未知但有界(Unknown But Bounded，UBB)假设下的集员辨识(Set Membership Identification，SMI)和集员滤波(Set Membership Filer，SMF)算法，该算法用椭球来包含系统的参数集合、状态集合及噪声集合。重点研究了基于最优定界椭球(Optimal Bounding Ellipsoid，OBE)思想的集员滤波算法，最优定界椭球包含最小容积椭球和最小迹椭球两种不同的优化指标。随后将线性系统集员滤波算法推广到非线性系统，提出的扩展集员滤波(Extended SetMembership Filer，ESMF)在线性化过程中，并没有像扩展Kalman滤波(Extended KalmanFilter，EKF)那样在线性化过程中舍去泰勒级数的高阶项，而是用区问分析方法确定剩余高阶项的边界，然后将确定的边界和已知噪声边界进行合并。避免在非线性程度严重时，忽略高阶项导致较大的线性化误差，从而引起滤波误差增大甚至发散。　　2.控制系统一般同时受到随机噪声和有界噪声干扰，由于两种滤波算法都有各自的适用范围，使用单一滤波算法难以得到理想的估计结果。因此，本文在随机滤波和集员滤波理论的基础上，通过建立具有双重不确定性系统的模型，提出一种基于有界的Bayesian估计推理。该算法用，Kalman滤波处理系统的随机不确定性，用集员滤波处理系统的有界不确定性，从而得出一个易于实现的联合滤波器。最后通过对雷达跟踪系统的仿真验证了新算法的有效性。　　3.针对GPS接收机在高动态及低信噪比情况下，载波信号受到多种不同类型噪声的干扰，且往往这些噪声的统计特性很难获得，甚至有些就是本质非随机的，而已有方法都是假设系统噪声符合一定概率分布，然而这种假设并不合理。因此，本文提出了一种基于噪声有界的解决思路。该方法首先定义噪声为UBB噪声，然后通过椭球包含状态集合和噪声集合，进而利用集员滤波或扩展集员滤波方法完成了载波信号的多普勒频移估计，最后通过MATLAB仿真验证该算法的有效性，并与传统方法进行比较。该方法为GPS接收机载波跟踪环路的设计提供了一种新的思路。4.针对车载GPS/DR组合导航系统中，由于DR系统的误差以及组合导航系统中外部噪声的非高斯特性会导致EKF滤波性能变差。本文提出了一种基于ESMF技术的GPS/DR组合导航系统应用算法，与EKF算法不同，该算法在非线性方程线性化过程中保留了泰勒级数展开式中的高阶项，然后通过确定高阶项的区间范围，形成一个虚拟补偿项加入到系统中，从而避免了EKF因舍去高阶项造成系统误差增大而导致的滤波性能变差的问题。此外该算法不需要先验已知外部噪声的统计特性，对于噪声的假设也使得系统更具鲁棒性。最后的仿真结果也表明，对于车载GPS/DR组合导航系统，ESMF较EKF具有一定的优势。