自确认多功能传感器是一种不但能同时检测多个被测量，而且可在线确认自身工作状态的新型传感器，主要功能是：可对传感器故障进行检测和隔离，并用最佳估计值代替错误输出值实现数据恢复；可在线输出确认不确定度（Validated Uncertainty，VU）来指示确认测量值的准确度范围；可对多功能传感器健康评估。本课题得到国家自然科学基金资助，旨在研究各种状态自确认方法，解决自确认多功能传感器的若干关键技术问题。论文的主要研究内容如下：为验证研究的自确认多功能传感器关键技术的可行性，设计一种自确认多功能传感器实验系统，对多功能传感器进行标定和测试，在分析各敏感单元的失效机理及故障模式基础上，设计故障仿真和故障叠加电路来模拟产生各种真实故障，进而论证多故障时各种状态自确认方法的有效性。针对自确认多功能传感器的多故障检测及数据恢复问题，研究一种基于主元分析—小波相关向量机的数据自确认方法，将传统的单一故障扩展到多个故障。利用主元分析方法分析多敏感单元间的内在关系，研究测试样本在残差空间内投影量的变化次数与多故障检测的关系，以及该模型的故障检测能力。通过比较相关向量机（Relevance Vector Machine，RVM）在径向基、MexicanHat及Morlet小波等不同类型核函数下的预测性能，选取基于小波平移不变核函数的小波相关向量机预测器（Wavelet RVM，WRVM）来提高建模速度和抗噪性能，并利用WRVM模型进行多故障的在线隔离及其数据恢复，与神经网络方法相比，该方法在小样本条件下显著提高了数据恢复的精度和实时性。针对自确认多功能传感器的信号重构及其VU的在线评定问题，研究一种基于多变量相关向量机（Multivariate RVM，MVRVM）和确认的随机模糊变量（Validated Random Fuzzy Variables，VRFV）的确认测量值及其VU计算方法。在多功能传感器信号重构中的小样本和非线性条件下，MVRVM方法具有泛化性能好、稀疏性强和单模型多输出等优点，为此利用该方法进行多个被测物理量的确认测量值计算，与复合式RVM相比，提高了状态自确认效率。为进一步获取确认测量值的不确定度，在分析联合的数学变量VRFV的α cuts与不确定度的关系基础上，研究不同类型的故障对确认测量值的差异性影响，并针对传感器正常工作和故障两种情况，提出一种基于VRFV的VU评定方法。实验结果表明，该方法适用于自确认多功能传感器的在线VU评定，并利用传统的GUM方法对其有效性进行论证。针对自确认多功能传感器的健康评估问题，提出一种定量的基于健康可信度的健康评估方法。该方法将传统自确认传感器对单敏感单元测量值状态的评价，进一步扩展到对多功能传感器健康状况的综合评估，并分析多个敏感单元的相关性对传感器健康水平的影响。从局部的单敏感单元和整体的多功能传感器两个层面，本文重点分析和研究健康可信度的概念及其方法论原理，以量化形式直观表示其健康水平。实验结果表明，该方法能够如实反映不同健康水平的多功能传感器性能变化。