现代信息战争中呈现出多样化的作战方式、多元化的作战对象以及复杂多变的作战环境等特点。这就要求现代C4ISR系统能快速准确的融合大量多元异构的战场数据信息,为形成作战决策提供证据支持。因此,战场中的态势估计研究成为多传感器信息融合领域的一个重要课题。在实际应用中,如何对多传感器提供的大量数据信息作出相关性分析;如何发现并利用少量但重要的冲突信息;如何对融合后态势结果做出一致性评价;如何解决融合时大量数据信息会出现的冗余问题,是目前态势估计研究亟需解决的若干难点和关键问题。针对上述问题,本文针对态势估计中冲突数据信息,以提高融合结果的鲁棒性及可信度为目标开展研究。主要的研究内容如下:首先,简述了本课题研究的背景和意义,以及对态势估计及其一致性的国内外研究现状进行综述。然后详细讨论了在态势估计过程中导致不确定性信息问题出现的原因,并介绍了处理态势估计中不确定性问题的一些典型方法,为下文对态势估计问题的研究奠定基础。其次,针对基于D-S证据理论的态势估计方法在处理多源冲突数据时融合效果不佳的问题,第3章提出了一种基于冲突数据聚类的态势估计方法。首先结合Jousselme距离和传统冲突系数构建一种新的冲突证据表征方式;然后利用迭代自组织数据聚类方法对数据进行聚类;最后对不同聚类簇的证据采用D-S理论融合得到态势结果,同时构建距离准则函数评价态势结果的一致性。仿真结果表明:与传统态势估计方法相比,本文所提方法在融合多源冲突数据时能够得到可信度较高的态势估计结果。再次,异类传感器产生大量冗余、冲突的信息,导致常规态势估计方法性能下降的问题,第4章提出基于异类传感器信息自适应融合的鲁棒态势估计方法。首先将大量传感器分为两组——全天候和辅助型传感器;然后构造两级融合结构,并基于Jousselme距离评估融合结果的一致性;最后在此基础上自适应地通过两级信息融合得到态势估计结果。仿真结果表明,本文所提方法能够在兼顾运算效率的基础上提高态势估计结果的鲁棒性。最后,对本文所研究的问题进行了总结与展望。