广义系统广泛出现在机器人、经济学、电路、生物医学、化工和工业控制等系统中,是比正常系统更具有普遍性的一种对实际系统的描述形式,近年来得到普遍关注。本文受三项国家自然科学基金(60874062、60504034、60874063)和一项教育部重点课题(209038)支持,具有重要理论意义和实际意义。关于广义系统的融合估计问题近年来出现了一些报道,但因为所采用的融合器多是分布式状态融合算法,该融合器是全局次优的,因而广义系统的融合估计结果也不能获得全局最优性。加权观测融合(Weighted Measurement Fusion, WMF)算法不但具有较小的计算负担,而且可以获得全局最优的估计结果,但现有的加权观测融合估计方法还无法解决广义系统的融合估计问题。针对这种情况,本文在对多传感器信息融合技术、状态估计技术、广义系统理论的历史背景和国内外研究的现状进行比较分析的前提下,以线性无偏最小方差(Linear Unbiased Minimum Variance, LUMV)估计为最优融合准则,采用最小二乘辨识技术、Kalman滤波技术、以及现代时间序列分析技术对多传感器广义系统加权观测融合最优和自校正估计技术进行了研究。主要内容和研究成果包括如下几个方面：1、利用奇异值分解和前后子系统分解两种方法将广义线性系统转化为等价的降阶耦合子系统,完成了广义线性系统到正常系统的降阶转化,分析了两种方法的灵活性,证明了正常子系统的能观性,进而说明了降阶子系统的可估计性,指出了利用加权观测融合方法实现广义系统最优和自校正融合估计需要解决的三个问题。2、解决了第一个问题。即,在带不同观测阵,且各传感器观测噪声相关且输入噪声与各传感器的观测噪声相关情形下,利用了矩阵满秩分解,Lagrange乘数法,加权最小二乘理论,在LUMV意义下提出了不受观测阵、观测噪声相关性影响的加权观测融合Kalman估计算法,该算法可统一处理状态的融合滤波、平滑、预报问题。证明了其估计结果完全等价于集中式融合结果,从而说明了它同样具有全局最优性。推广了Gan关于加权观测融合算法只能处理各传感器观测阵相同的情形。3、解决了第二个问题。即,对于带不同观测阵和相关噪声的多传感器系统,在Γ列满秩的条件下,利用射影理论提出了适合加权观测融合(WMF)算法的白噪声估计算法,并理论上证明了其功能等价于集中式融合白噪声估计理论,即引出数值上恒同的白噪声预报器,滤波器和平滑器,因而WMF算法在白噪声估计中同样具有全局最优性。所提出的算法也可应用于石油地震勘探、信号处理、通信等领域。4、解决了第三个问题。即,当系统噪声统计特性未知时,应用Fadeeva公式,左素分解方法构建了含未知参数的ARMA新息模型,提出了用采样相关函数和最小二乘两种系统参数辨识方法辨识ARMA新息模型,分析了两种方法在不同情况下的适用性,通过解矩阵方程组得到未知参数的一致性估计,进而得到自校正加权观测融合Kalman估值器。从而解决了多传感器广义系统自校正加权观测融合估计问题。