该文以目标跟踪为应用背景,研究分布式多传感器信息融合卡尔曼估计算法.该文的主要研究内容和创新点如下:1.考虑到基于单传感器的局部子系统估计误差的相关性,提出通用的矩阵加权线性最小方差最优信息融合估计算法,并证明了它具有比各局部估计更高的精度.在正态分布的假设下,它等价于极大似然融合算法,对已有的极大似然融合算法给出新的解释.矩阵加权融合算法具有较大的计算负担,为减小计算负担,又给出两种通用的线性最小方差意义下的对角阵加权融合估计算法和标量加权融合估计算法.2.基于上述三种加权线性最小方差意义下的最优信息融合算法,对于被多个传感器观测的带相关噪声(不仅过程噪声与观测噪声相关,而且不同传感器的观测噪声之间也相关)的线性时变系统,给出多传感器最优信息融合卡尔曼估值器(包括滤波器、预报器和平滑器).推导出任两个局部估计误差之间的互协方差阵所满足的方程,它将用于计算融合权重.并给出具有容错性的信息融合估计系统的融合结构.3.在实际应用中,待估状态可能满足多个系统模型,或由于系统模型未知,可能的模型有几个但不能确定具体是哪一个,且又可能随时间的变化而变化;又由于各传感器的类型和观测位置不同,各传感器描述目标的系统模型也可能不尽相同,因此,用任一单一的系统模型有时很难描述实际系统的运动状态,而必须采用多个模型对系统进行描述.该文针对具有多个模型和单传感器或多传感器系统,基于上述三种最优信息融合算法,分别给出多模型最优信息融合估计算法.同时给出一种两段融合结构.并给出它的特殊情形的两个应用:多传感器去卷和多传感器分离偏差.可通过系统增广和状态分量提取而获得对信号、状态或偏差的信息融合估计.4.当时变噪声统计未知时,基于改进的Sage-Husa噪声统计估计算法和上述三种最优信息融合算法,给出信息融合噪声统计估值器和自适应信息融合卡尔曼滤波器.当定常噪声统计未知时,基于相关函数给出了一种简单实用的辨识方法,提出了具有两段融合结构的自校正信息融合Kalman滤波器.当系统具有未知模型参数时,通过直接辨识ARMA新息模型参数,给出信息融合参数估计和自校正信息融合卡尔曼滤波器.当系统含有未知模型参数和噪声统计时,给出了具有三段融合结构的自校正信息融合滤波器.5.在经济管理、电子网络和机器人等实际应用环境中,经常遇到奇异系统.通过非奇异变换,广义系统被转化为降阶的两个子系统,应用前面的研究结果可解决广义系统相应的信息融合估计问题.6.将前面的最优和自适应融合算法应用到具有多个雷达传感器和多个红外传感器的目标跟踪系统中,验证算法的有效性.具体包括多雷达和多红外传感器最优信息融合目标跟踪仿真研究;当系统噪声统计未知时的自适应信息融合目标跟踪仿真研究.