动力定位(Dynamic Positioning,DP)船的非线性状态估计对船舶完成海上精确作业起着重要作用。然而DP船状态估计过程中主要面临以下干扰:1、由于电磁干扰,热噪声及宇宙噪声普遍存在并与状态呈加性关系,这类干扰被称为加性噪声干扰,由于状态之间具有递推关系,故加性状态噪声具有自相关性,同时传感器测量值根据系统状态得到,故加性测量噪声也具有自相关性,又由于传感器与DP船在同一噪声环境下工作,故加性测量噪声和加性状态噪声之间又具有互相关性。2、系统模型参数及噪声干扰统计特性的精确值很难获得,且由于通信故障,电磁干扰等原因,测量值具有随机丢失现象,这类干扰称为参数不确定性干扰。3、由于复杂海洋环境下海况的变化及系统时变性等未建模干扰,会使系统出现随信号变化的干扰,这些干扰用乘性噪声干扰表示。以上干扰都会影响DP船状态估计精度,另外DP船一般配置冗余的传感器单元,多传感器下的状态估计融合值要比单传感器下估计值更加精确。因而为了提高存在干扰时的状态估计精度,本文开展了DP船非线性状态估计及融合算法研究。论文的主要工作有:首先针对DP船状态估计中存在如上所述的加性互相关噪声、参数不确定性以及乘性噪声等干扰,本文在以上干扰之间无相关性的情况下,基于DP船连续时间状态空间模型,分别建立了加性互相关噪声、乘性噪声以及随机测量丢失下的DP船离散时间非线性模型。其次针对DP船加性测量噪声和加性状态噪声具有一步自相关两步互相关性,分别研究了加性互相关噪声下DP船单自由度直航状态估计方法以及三自由度非线性状态估计方法。一方面,在DP船单自由度直航模式下,通过设计互相关噪声下线性状态估计方法来解决船舶的艏向角和回转率的状态估计问题。另一方面,在三自由度运动形式下,通过设计互相关噪声下的贝叶斯估计算法,并基于容积规则,提出了互相关噪声下的容积卡尔曼滤波器,解决了互相关噪声下船舶三自由度非线性状态估计问题。再次针对DP船参数不确定性,研究了系统模型参数不确定下的非线性状态估计算法,提出了容积平滑变结构滤波器及平方根容积平滑变结构滤波器,容积规则提高了估计精度,平方根形式保证了算法的稳定性;针对DP船加性测量噪声统计特性未知的情形,提出了变分贝叶斯-变结构滤波器,变分贝叶斯实现了噪声统计特性的估计,提高了变结构滤波器中平滑边界层的精度,解决了加性噪声统计特性未知下的DP船非线性状态估计问题;针对DP船测量随机丢失及加性有色噪声干扰,设计了有色噪声和随机测量丢失下的高斯滤波框架,并提出了基于容积规则的容积混合卡尔曼滤波器,解决了测量随机丢失和加性有色噪声下的DP船非线性状态估计问题。最后针对DP船乘性噪声和加性相关噪声干扰,研究了多传感器乘性噪声下的DP船非线性状态估计及融合方法。对单传感器系统,提出了互相关噪声下平滑变结构滤波器,解决了单传感器乘性噪声下的DP船非线性状态估计问题;对多传感器系统,由每一个子传感器状态估计值随机生成训练集和测试集,然后对每一个状态变量分别构造对应的支持向量机回归模型,提出了基于多回归型支持向量机模型的多传感器融合算法,解决了乘性噪声下的非线性状态估计及融合问题。