传感器网络由于具有低功耗、低成本、分布式和自组织、易于资源共享等优点,而被广泛应用于目标跟踪、环境监测、交通管制、医疗保健等领域。在传感器网络中,由于通信带宽和传感器能量等网络资源的有限性,传感器在通过网络进行数据交换时往往遇到网络拥塞和丢包等问题。如何在网络资源有限的情况下进行资源的有效分配和丢包补偿是目前国内外研究的热点问题。本文将针对传感器网络中存在的网络约束和丢包问题,应用最优化理论和信息融合估计理论研究具有网络约束和丢包传感器网络系统的信息融合估计算法。主要研究内容如下:研究了传感器网络中具有带宽或能量受限的动态随机变量的分布式融合滤波问题。在传感器网络中,每一个传感器基于自身的观测数据给出一个局部滤波值。由于通信带宽的有限性,局部滤波值经过量化后被传输到融合中心,在融合中心,基于量化的局部滤波值设计了分布式融合量化滤波器。其中量化时的带宽分配采用了在精度损耗受限的情况下极小化总传输能耗,并给出了优化问题的近似解。研究了具有观测丢失、状态和观测乘性噪声及通道传输噪声的复杂传感器网络系统的加权观测融合和分布式融合估计问题。通过将乘性噪声转化为加性噪声,基于矩阵满秩分解和加权最小二乘原理,给出了加权观测融合估值器。该加权观测融合估值器具有与集中式融合估值器相同的精度,即具有全局最优性。同时,对于每个单传感器子系统,给出了局部估值器和任意两个传感器子系统之间的估计误差互协方差阵。在此基础上,在线性最小方差意义下,给出了按矩阵加权分布式融合估值器。分析了分布式融合估计算法的稳态特性,给出了稳态存在的一个充分条件。研究了具有随机丢包补偿的传感器网络系统的最优融合估计问题。通过一组满足Bernoulli分布的随机变量来描述数据从传感器到估值器传输过程中具有的观测丢失现象。在数据丢失时采用对传感器观测的一步预报值作为丢包补偿。应用配方法,给出了在线性无偏最小方差意义下的局部最优线性估值器,包括滤波、预报和平滑。并应用在线性最小方差意义下的按矩阵加权融合算法给出了分布式最优融合估值器。推导了任两个局部估计误差之间互协方差阵的计算公式。最后,给出了集中式融合估值器。并进行了比较仿真研究。研究了具有网络带宽受限和丢包传感器网络系统的观测加权融合量化估计问题。由于网络带宽受限,量化后的传感器观测数据传输给融合中心的过程中存在丢失现象。引入一个Bernoulli分布的随机变量来描述这种丢失现象。基于融合中心接收到的量化的观测数据,提出了两种观测加权融合量化滤波器。一个是依赖于Bernoulli随机变量值;另外一个依赖于Bernoulli随机变量概率。与相应的集中式融合滤波相比,它们具有较小的计算负担和具有相同的精度。同时,在有限带宽约束下给出了最优带宽分配问题的近似最优解。