随着网络环境下多传感器系统的广泛应用,量测的不确定性往往不可避免。在不完全量测条件下,利用传统的Kalman滤波器进行融合滤波,往往无法得到可靠的滤波结果,因此研究不完全量测下的多传感器融合估计方法具有重要的理论意义与实用价值。本文首先针对不完全量测问题,对量测的一般有效性不确定以及广义有效性不确定分别进行定义,分析了量测无效性的两种来源,分别建立了Bernoulli数学模型以及Markov数学模型对不完全量测问题进行描述。针对不完全量测下的滤波估计问题,建立了用于表述量测有效性不确定的有效性函数。通过车辆行驶过程中出现遮挡的场景验证了不完全量测的Markov模型的有效性。针对有效性不确定问题,为了增强多传感器系统对不完全量测的适应能力,提高滤波估计精度,本文引入分布式传感器结构,提出一种Kalman一致性滤波(KCF)对角IMM算法(DIMM)的联合方法。根据两种方法组合过程的不同,提出两种算法结构:1.在最终融合估计时利用Kalman一致性滤波算法获得全局一致性滤波估计;2.在各个估计模型中引入Kalman一致性滤波算法。本文证明了两种结构下在传感器组均出现量测包丢失时最终估计值的相似性,以及两种结构在估计误差协方差方面仍然具有一定的相似性,同时分析了两种结构的计算效率。仿真分析表明了该方法的有效性,并与以上证明结果一致。针对同时解决有效性不确定以及异类传感器融合滤波问题,本文提出一种同时解决异类传感器和不完全量测问题的融合估计算法。该方法将由于异类传感器导致的不可量测部分视为无效部分,把异类传感器的量测融合问题转变为解决有效性不确定问题的一种特殊情况。首先利用量测向量的有效性函数,构建出广义量测向量以及误差方差矩阵;再引入由局部量测空间到全局量测空间的扩展变换,建立广义等效传感器;最后利用集中式数据压缩滤波法实现异类传感器及不完全量测的融合估计。通过四种实验场景,验证了本文算法对解决广义有效性不确定问题的有效性。