数据同化可应用于大气、海洋、陆地，数据同化的最终目的是“平衡”不同来源的模型输出和系统观测的信息，提高状态估计的准确性。当系统模型是非线性，假定的误差统计特性不符合现实条件，且存在即时的人为扰动时，卡尔曼滤波类数据同化方法不再适用。在估计理论的范畴中，鲁棒滤波是以研究系统不确定性问题为核心目的的，主要解决对象为模型中的误差和一定范围内因模型摄动而引起估计品质恶化的滤波难题。针对以上问题，本论文主要研究内容如下：　　（1）滤波精度和鲁棒性能较低的原因，在初始背景条件、模型误差、量测误差较差时，以贝叶斯理论为准则的卡尔曼滤波类数据同化方法不能保证估计误差的增长率有界。　　（2）卡尔曼滤波和H∞滤波：首先，较全面的介绍卡尔曼滤波的理论基础；其次，由于传统的卡尔曼滤波方法对参数变化的鲁棒性较低，引入了以最小化目标函数上界为准则(最小最大准则)的H∞滤波，以及由于标准的H∞滤波算法对顺序数据同化会有全窗限制，因此介绍了时间局地化的H∞滤波方法；最后，利用一维回归模型检验：在性能水平系数和模型扰动变化的条件下，两种算法的均方根误差的差值变化。结果显示：时间局地化的H∞滤波显示出优于卡尔曼滤波的鲁棒性能。　　（3）集合卡尔曼滤波和集合时间局地化的H∞滤波：为了适应于高维系统，首先，介绍了集合转换卡尔曼滤波算法；其次，为了提高滤波的精度和鲁棒性能，结合集合类算法和时间局地化的H∞滤波方法，发展集合时间局地化的H∞滤波方法，讨论了它的几种特殊形式，研究了集合类算法的确定协方差放大技术，本质上就是集合时间局地化的H∞滤波方法。最后，利用强非线性混沌模型Lorenz-96，验证特定形式的集合时间局地化的H∞滤波算法的相对鲁棒性。实验显示：集合时间局地化的H∞滤波有优于集合转换卡尔曼滤波的鲁棒性能和滤波精度。　　本文介绍了不需要对模型及观测的统计特性做相应假设，且估计误差增长率有界的鲁棒集合滤波，能够有效的解决数据同化中的误差问题。由于其自身的鲁棒性，该方法可广泛应用于其它非线性系统的数据同化中。