近年来,网络化的状态估计因具有低成本、远距离传输、高可靠等特点被广泛应用于智慧交通、物联网等领域。目前,网络化的状态估计面临通信带宽有限、量测数据丢失和存在外部输入等问题。传感器能量有限、器件老化、网络拥塞等原因易引起数据传输过程中能耗高、量测数据丢失与不连续等问题,导致状态估计性能下降。现有网络化状态估计方法大多基于高斯分布建模量测噪声,但在实际系统中,由于量测野值、建模误差等原因导致量测噪声呈现非高斯的厚尾特征,基于高斯分布的量测建模方法不再适用。此外,传感网络时刻面临来自内、外部未知输入的干扰或攻击,导致估计精度下降甚至发散。因此,本文针对网络化状态估计中通信带宽约束、量测丢失、未知输入和厚尾噪声建模等问题,研究了未知输入下网络化的状态估计方法。主要研究结果为:（1）针对一类噪声呈厚尾特性的非高斯非线性系统,考虑了数据传输过程中存在的能量有限和量测数据丢失下的状态估计问题。首先,借助学生t分布建立厚尾非高斯噪声模型,引入二项伯努利分布表征量测数据丢失。其次,设计了基于量测的事件触发机制来减少量测数据传输次数,实现节约通信带宽的目的。在此基础上,设计事件触发下的学生t滤波器,实现了非线性系统的状态估计。同时,给出了丢包率约束下的估计误差有界性和稳定性的充分条件。仿真实例表明提出方法的有效性。（2）针对一类含未知输入的噪声呈厚尾非高斯的线性随机系统,研究了未知干扰下的状态估计问题,提出了三步迭代学生t滤波器。在干扰输入增益矩阵列满秩条件下,根据估计误差无偏性和估计误差最小平方和等准则,获得了未知输入的估计值,综合事件触发机制和学生t滤波器获得了状态的估计值。给出了估计误差系统保持稳定的充分条件。仿真实例验证了方法的有效性,并对比了现有方法。（3）针对一类含未知输入且噪声呈厚尾非高斯的线性随机系统,研究了通信带宽约束和量测丢失下的状态估计问题。建立了量测丢失表征模型,设计了量测事件触发机制,提出了同时估计未知输入和状态的滤波方法,探究了丢包率和估计精度间的关系。仿真和实验验证了提出方法的有效性和可应用性。