对多源信息进行合理有效的融合是协同定位方法中至关重要的一环。多源信息经由多传感器节点构成的通信网络完成融合,而稀疏和随机动态是通信拓扑中典型存在的不稳定因素。本文主要针对这两个不稳定因素展开如下研究:1.针对稀疏无线传感器网络(Wireless Sensor Networks,WSN),即稀疏通信网络,根据DKF对稀疏网络中目标状态估计的有效性,给出了基于无迹变换的分布式信息滤波。详细推导了多传感器下的无迹卡尔曼滤波形式,并与一致性滤波结合成分布式无迹信息滤波(Distributed Unscented Information Filter,DUIF),将其推广到非线性系统中。通过仿真证明分布式结构下的状态估计可以在各个节点实现集中式结构的估计结果,并通过仿真验证其可靠性。2.当应用在大范围复杂的实际环境中,稀疏WSN中有时会存在无效的传感器节点,此时的DUIF会因无效的多源量测信息而趋于发散。针对该问题,提出一种基于加权平均一致性滤波的DUIF算法,在DUIF算法的基础上,改为局部无迹信息滤波器(Local Unscented Information Filter,LUIF)和平均一致性滤波器。LUIF仅对邻近节点发送的多源信息,得到局部的信息矩阵和信息向量,进而将它们作为加权平均一致性滤波器的输入,由此得到抑制无效节点影响的目标状态后验估计。并且加权平均一致性滤波是以拟拉普拉斯矩阵作为权值,以信息矩阵和信息向量作为输入的滤波器,同时也证明改变了平均一致性滤波器的输入,不影响其输出的加权平均一致值是关于目标状态后验估计的加权值。最后通过与原始DUIF算法做对比的仿真验证了改进后算法的有效性。3.针对WSN中的稀疏和随机动态问题,提出一种并行运行机制的DUIF算法,在之前提出的改进后DUIF算法基础上,将两个滤波器的级联结构改成并联结构,同时建立即时滤波更新机制,防止可能出现的滤波异步问题。其中LUIF进行自身迭代,不再以加权平均一致性滤波器(Weighted Average Consensus Filter,WACF)输出的后验状态估计作为输入。WACF通过对LUIF输出的实时局部信息进行加权平均一致性处理,最终得到削弱了稀疏动态WSN不利影响的目标后验状态估计。并且在WACF滤波的同时添加了速率收敛方案,进而提升整体算法收敛速率。最后,通过算法对比仿真,验证算法的可行性与优越性。