在运动目标跟踪、现代信号处理、图像处理、自动控制等很多领域里面都存在量测方程或是状态方程非线性的问题,当前对非线性系统的状态估计无论在理论上还是在工程中都有着十分重要的意义。而现有的非线性滤波方法实际上都是一些近似算法,存在精度不高容易发散等缺点,只能在一定程度上解决非线性估计问题。在非线性系统的状态估计中引入多传感器信息融合理论,可以在不增加测量基站的前提下,应用多种不同的传感器测量同一目标,融合这些测量信息就可得到准确度和稳定性更高的估计值,是一种提高非线性滤波精度的实用方法。本文针对非线性估计问题应用信息融合理论,提出了一系列信息融合非线性滤波器,并把其中一些理论应用在无源定位跟踪上。这些算法不但提高了滤波估计的精度,而且增加了系统的稳定性。本文中首先针对非线性系统,应用线性最小方差信息融合准则,提出了多传感器信息融合扩展卡尔曼滤波器(Extended Kalman Filter, EKF),并且给出了用于计算最优加权的局部滤波误差方差和协方差的公式。然后对于非线性系统,应用线性最小方差信息融合准则,提出了多传感器信息融合无迹卡尔曼滤波器(Unscented Kalman Filter, UKF),并且给出了用于计算最优加权的局部滤波误差方差和协方差的公式。其次对于非线性系统,应用线性最小方差信息融合准则,提出了一系列的多传感器信息融合粒子滤波器——信息融合粒子滤波器(Particle Filter, PF)、信息融合扩展卡尔曼粒子滤波器(Extended Kalman Particle Filter, EKPF)、信息融合无迹粒子滤波器(Unscented Particle Filter, UPF)、信息融合高斯粒子滤波器(Gaussian Particle Filter,GPF)及信息融合高斯和粒子滤波器(Gaussian Sum Particle Filter, GSPF),并且给出了用于计算最优加权的局部滤波误差方差和协方差的公式。最后深入研究了无源定位系统,利用扩展卡尔曼滤波理论中的线性化量测方程的方法,推导出了基于扩展卡尔曼滤波器的无源定位滤波器、无源定位预报器、无源定位平滑器的公式。并应用信息融合理论,在线性最小方差准则下,提出了无源定位系统的多传感器信息融合滤波器、多传感器信息融合预报器、多传感器信息融合平滑器的形式,同时给出了用于计算最优加权的局部估计误差方差和协方差的公式。本文通过一些仿真例子说明了所提出信息融合非线性滤波方法和信息融合无源定位算法的有效性。