数据同化是指在模型(大气、地理、天气)驱动的过程中,使用同化方法融合不同来源的部分或者全部的观测信息,将过程模型和观测模型不断的依靠观测信息进行调整,最后得到误差减少情况下的预测系统。然而对于大多数系统模型是非线性的,同时,由于在同化过程中远距离的观测值与同化状态之间存在着虚假相关,局地化方法受到广泛关注。此外,在集合数目较少的同化情况下,观测数据难以得到有效利用,使得同化效果欠佳。鉴于上述问题,本论文的主要研究如下所述:(1)在实际同化中,背景误差的准确估计会影响到观测误差,而观测误差主要影响最终的同化结果。此外,观测误差的主要来源就是由于观测值和状态值距离较远而引起的虚假相关等问题。因此,提出了局地化方法,用于解决集合数目较少的情况下导致算法收敛速度较慢以及引起的虚假相关(观测值与同化状态)等问题。(2)局地化方法在数据同化过程中,由于观测点和状态更新点距离较远时,考虑到观测信息的充分利用问题。因此,提出了一种新的耦合模糊局地化的同化方法,局地化方法主要处理远距离的观测与同化状态之间的虚假相关,模糊控制算法主要判断观测点与状态更新点之间的距离,构造观测位置模糊权重。解决了模型中由于观测信息利用不充分的问题。(3)为了适用高维/非线性系统,针对新的耦合模糊局地化算法CF(covariance fuzzy)和FA(fuzzy analysis)。首先,介绍了协方差局地化和局地化分析方法;其次,为了提高滤波的精度和鲁棒性能,结合模糊控制方法,发展协方差局地化方法和局地化分析方法,讨论了它们耦合的过程。利用强非线性混沌Lorenz-96模型,验证四种算法的同化性能以及滤波效果。