在实际系统中,总是不可避免地出现时滞现象,即事物的运动规律不仅依赖于当前的状态,而且还依赖于事物的过去状态。时滞系统有着很强的应用背景,广泛存在于社会生活的各个领域,如生物、生态、化工、机械、人口动态、网络传输、计算机信息与数据传输等等。同时随着传感器技术、通信技术的发展,控制系统中越来越多的引入网络,其为传感器分布较广,运行环境复杂或存在危险性的系统控制提供了方便。然而,这些系统一个共同特点是在整个数据传输中存在着大量的噪声、和数据损失。这些因素使得依靠单传感器提供的信息很难满足状态估计精度要求,采用多传感器量测数据能提高状态估计的精度,进而减少在信息处理中可能出现的失误。本文针对多传感器时滞系统,研究测量数据发生丢失情况下的的信息融合算法。首先介绍了在实际系统中应用广泛的滤波方法及常见的信息融合结构,详细阐述了分布式和集中式最优融合算法并对其性能进行了比较分析;在此基础上提出了基于卡尔曼滤波和H?滤波的信息融合算法。本文研究工作主要集中在两个方面:1)基于卡尔曼滤波理论,为存在测量数据发生丢失的多传感器时滞系统设计修正卡尔曼滤波器。并在此基础上讨论数据丢失对滤波系统稳定性的影响。随后采用按矩阵加权,按对角阵加权,按标量加权技术,设计分布式加权融合估计算法,并且给出了任意两个传感器之间的滤波误差互协方差阵的计算公式。与基于单传感器的局部估计相比,分布式融合估计具有更高的精度;2)针对测量数据发生丢失的多传感器时滞系统,通过状态增广,利用Lyapunov稳定性和线性矩阵不等式(LMI)方法,给出满足滤波误差系统稳定和H?性能指标的充分条件及鲁棒滤波器的设计方法,利用最小方差融合估计算法将各传感器的鲁棒滤波数据进行融合,通过仿真分析验证融合算法的有效性。