随着网络通信技术和自动控制技术的发展,计算机、通信、控制之间的相互渗透,网络化控制系统应运而生,且具有广阔的应用前景。由于系统规模的扩大,控制系统变得越来越复杂,网络资源的有限性,为网络化系统带来了诸多不确定性。在实际的网络化系统中,由于网络通信的不可靠性,导致了控制和观测信息会发生随机滞后、衰减或丢失等不确定性,另外,由于未建模动态和未知的环境干扰,使得系统模型参数和噪声统计信息等也往往是未知的,必须对网络化系统中存在的不确定性进行辨识,从而提出了自校正估计理论。本文主要研究了带未知模型参数、未知噪声方差、未知数据包丢失率和传输滞后率多传感器网络化系统的自校正融合估计问题。主要研究内容如下:对同时带未知丢包率、噪声方差和模型参数的多传感器网络化随机线性离散系统,提出了矩阵加权自校正分布式融合状态估计算法。采用伯努利随机变量描述丢包现象,通过状态增广方法将丢包率的辨识问题转化为模型参数的辨识问题。利用递推增广最小二乘算法同时辨识了未知模型参数和丢包率,利用相关函数法对未知噪声方差进行辨识。最后将辨识的丢包率、模型参数以及噪声方差代入按矩阵加权最优分布式融合滤波器中,获得了相应的自校正分布式融合滤波器。应用动态误差系统和动态方差误差系统分析方法证明了自校正滤波器收敛于相应的最优滤波器,即自校正滤波算法具有渐近最优性。对带未知一步滞后率和模型参数的多传感器线性离散随机系统,提出了矩阵加权自校正分布式融合状态估计算法。通过状态增广转化为观测矩阵带随机参数的系统,进一步转化为带未知参数矩阵和带未知方差虚拟加性噪声的系统。利用最小二乘法和相关函数法分别对模型参数和一步滞后率进行辨识,将辨识得到的结果代入到最优滤波算法中,获得了相应的自校正分布式融合滤波器。最后分析了自校正滤波算法的渐近最优性。对状态或/和观测带有乘性噪声的随机不确定系统,提出了自校正融合估计算法。对状态矩阵带有乘性噪声且方差未知,以及加性过程噪声方差未知的离散系统,通过模型变换转化为带有已知状态矩阵和带有未知方差虚拟过程噪声的系统。采用新息方差和采样新息方差,辨识虚拟过程噪声的方差。进而,得到局部自校正状态滤波器,分别采用协方差交叉方法和矩阵加权两种融合方法获得自校正状态融合滤波器。对观测矩阵带有乘性噪声且方差未知,以及观测噪声方差未知的离散系统,通过模型变换转化为带有已知观测矩阵和带有未知方差虚拟观测噪声的系统。采用相关函数法辨识虚拟观测噪声的方差,进而获得相应的局部和融合自校正状态滤波器,证明了自校正估计算法收敛于最优估计算法。对状态和观测均带有乘性噪声和加性噪声,且噪声方差未知的离散系统,结合前面所述两种方法,获得自校正状态融合滤波器。对带未知丢包率和模型参数的多传感器异步均匀采样系统,首先采用状态迭代的方法将异步采样系统同步化,基于同步化模型,分别给出在观测采样时刻和状态更新时刻的局部滤波器。应用最小二乘法辨识未知模型参数。应用相关函数法辨识未知丢包率。将辨识的模型参数和丢包率代入最优滤波算法中获得相应的自校正局部滤波器和自校正融合滤波器。最后分析自校正滤波算法的渐近最优性。