估计分为参数估计和状态估计，参数估计为状态估计的特殊情况，本文主要研究了状态估计方法。传统的状态估计是基予噪声统计假设已知情况下的估计，虽然这些方法取得了丰硕的成果，但当噪声的统计假设不成立时，这些方法就不能够有效的解决问题。集员估计是一种基于未知但有界假设下的估计方法，此方法不需要知道噪声的统计特性，只需知道噪声的界，因此更加符合工程实际。　　本文首先研究了线性系统下的两种集员估计算法:Norton集员估计算法和基于OBE集员估计算法。Norton算法是通过最小体积或者最小迹来优化时间更新阶段和测量更新阶段，但其计算量大，效率低;针对这个不足，OBE算法采用最小半径定界椭球来进行测量阶段的更新，从而简化了算法，减少了计算量。最后通过与传统的kalman滤波算法和Norton集员估计算法相比较，验证了基于OBE集员估计算法的有效性。　　其次研究了非线性系统下集员估计算法—扩展OBE集员估计算法，该算法与扩展Kalman滤波算法相似，将非线性系统转化为线性系统。然而通过对该算法的研究，发现其在线性化的过程中并没有给出如何去估计误差项的界，因此本文将区间估计应用到扩展0BE算法中，最后通过仿真证明了改进算法具有更好的优越性。　　最后将集员估计算法应用到GPS定位中，通过与传统Kalman算法的仿真对比，实验结果表明:集员估计算法在噪声统计特性未知但有界的情况下，取得了与Kalman滤波同样的效果，具有较好的实用价值。