牵引力是驱动机车前进的最终动力,牵引力的产生依赖于轮轨间的粘着,牵引力的提高对改善机车的粘着利用水平提出了要求。提高粘着利用率主要靠粘着控制来实现,粘着控制的难点在于粘着状态的检测,受机车运行环境、轮轨状态、检测设备精度等因素的影响,机车在运行过程中,轮轨间的粘着特性呈现出强非线性且快速时变的特征,因此对机车粘着状态进行准确地估计是进行优化粘着控制的前提。轮轨间的粘着是一个具有很大不确定性的复杂过程,受到诸多因素的影响,难以用精确的数学模型进行描述,传统的状态观测器和标准卡尔曼滤波器无法有效应用于这样的系统,因此本文对不确定系统状态估计方法进行了研究,工作的主要内容包括以下几个方面：传统的强跟踪滤波算法由于引入了渐消因子,有可能使预测误差协方差矩阵失去对称性从而造成滤波发散的现象。针对这一问题,论文提出了一种改进的强跟踪滤波算法,通过改变多重渐消因子的作用方式,确保预测误差协方差阵在递推过程中具有对称性,并对改进算法的强跟踪特性给出了相关证明,构建了基于奇异值分解的更新算法,以保证算法的数值稳定性。针对含有未建模动态的不确定系统,提出了一种带渐消因子的自适应卡尔曼滤波算法,通过将系统建模误差归入虚拟噪声,在线递推修正虚拟噪声的统计特性补偿系统的不确定性,引入的渐消因子用于改善算法的动态性能,并对算法的强跟踪特性给出了相关证明,基于奇异值分解技术,给出了递归过程的更新算法,保证算法的数值稳定性。利用上述两种不确定系统状态估计方法,研究机车粘着状态估计问题,分别针对只有单轴轮对转速信号的机车车速估计、有多轴轮对速度信号时的参考轮对速度估计,基于干扰力矩动态模型等不同情况,研究了机车运行时最优粘着系数的在线估计方法。利用一种交替进行状态估计和参数估计的双重滤波算法对机车参考轮对速度进行估计,提出了基于不确定系统滤波的多采样率最优粘着系数估计方法,为优化粘着控制提供参考。