随着航天技术的发展,航天任务越来越复杂,相对导航是实现各项航天任务的基础,因此,为了保障各航天任务的顺利执行,对相对导航算法提出了更高的要求。相对导航的原理为通过构建系统状态的演化模型,利用一系列传感器观测,实现对系统真实状态的估计。理想系统的状态估计可通过Kalman滤波实现。然而,受限于对实际系统的理解、通信过程中外界条件的干扰及系统内部各物理条件的限制,导致系统往往会受到模型非线性、相关噪声、随机延迟测量及数据丢包等非理想条件的影响,从而不满足标准Kalman滤波算法要求的线性高斯的假设条件,导致估计精度下降。针对上述不同的非理想条件,学者们分别进行了状态估计算法设计,然而所设计算法往往不具有通用性。本文在现有成果的基础上,深入研究了非理想条件下的高斯滤波器设计问题。同时,考虑到多传感器测量有助于提高系统的估计精度及鲁棒性,设计了非理想条件下针对多传感器系统的集中式及分布式数据融合算法,并将所设计的算法应用到空间目标仅测角相对导航系统中。基于上述讨论,本文主要内容概括如下:（1）研究了含相关噪声的非线性系统的高斯滤波器设计问题。考虑到随机延迟、数据丢包及未知干扰均可建模为乘性和加性噪声,进一步将加性噪声分为复杂相关和有限步相关两种情形,给出了高斯框架下的滤波器设计。首先,针对含同步相关的乘性噪声及复杂相关加性噪声的非线性系统,通过将过程噪声增广为系统状态,基于最小均方误差估计准则,给出高斯滤波器设计,并基于三阶球径容积法则,给出数值实现。然后,将上述复杂相关加性噪声推广到有限步相关加性噪声,基于投影定理,给出最优滤波器设计,并基于三阶球径容积法则,给出对应的数值实现。最后,通过分析指出针对非线性系统设计非线性高斯滤波算法的必要性。（2）考虑到（1）中将随机延迟测量和数据丢包建模为噪声形式,无法体现各非理想条件对系统影响的差异,研究了非理想条件下的高斯滤波器设计。考虑通信带宽的限制,每个数据包仅被传输一次。首先,研究了数据处理中心每一时刻最多接收一个数据包的情况,利用两个独立的伯努利分布分别描述一步随机延迟测量和数据丢包,并将过程噪声和量测噪声增广为系统的状态,设计了高斯滤波器,并基于三阶球径容积法则给出了对应的数值实现形式。随后,放宽约束限制,考虑到同一时刻最多接收两个数据包的情形,重新构建量测模型,并将毗连的状态增广为系统的状态增量,进行联合估计,并基于三阶球径容积法则给出对应的数值实现。最后,所设计的算法均通过仿真实例验证了有效性。（3）在成果（1）和（2）的基础上,研究了非理想条件下的多传感器数据融合问题。考虑到多传感器系统有利于提高估计精度及鲁棒性,对含相关噪声、随机延迟及数据丢包的非线性系统设计了集中式及分布式融合估计器。首先,考虑到集中式融合能够获得高精度估计,设计了集中式融合滤波器、预测器和平滑器,并考虑到算法基于CKF的算法实现过程中矩阵分解可能产生奇异问题,基于SCKF算法,给出了数值实现。然后,考虑到分布式融合能够提高系统鲁棒性及易于进行故障隔离的特点,设计了分布式融合算法,并基于三阶球径容积法则给出了对应的数值实现。最后,所提出的算法均通过仿真进行了验证。（4）研究了非理想条件下的空间目标仅测角相对导航问题。首先,考虑到若空间目标为非合作目标,其质心、转动惯量及角速度等信息未知,将导航系建立在追踪星上,并推导了相应的运动学及动力学模型。其次,讨论了仅测角量测在相对导航过程中的可观性问题,并阐明若不施加相机偏置,会出现距离模糊问题,通过设定相机偏置安装,可以提高系统可观性。然后,通过构建相对导航估计模型,并考虑到多传感器量测能提高系统鲁棒性及估计精度,基于第五章设计的分布式融合滤波器,设计了相对导航估计算法。最后,通过仿真验证了所提算法应用于空间目标仅测角相对导航系统能够得到有效估计。