信息融合技术能够将多传感器的数据依据某种优化准则进行多角度、多层次、多级别的处理,产生对观测目标的一致性描述和解释,得到比单一传感器精度更高的结果。分布式融合估计是信息融合的一个重要分支,它首先在传感器端得到局部估计,再将局部估计通过通信网络发送到融合中心,最后在融合中心得到融合估计。因此,分布式融合易于拓展、鲁棒性高、计算速度快,在实际中具有广泛应用。然而,随着传感器数量的增加或空间分布范围的扩大,通信网络的带宽约束成为了影响估计性能的瓶颈问题。同时,注意到基于卡尔曼滤波的融合估计结果要求噪声统计特性先验已知,但是噪声统计特性在实际系统中很难准确获得。因此,针对噪声统计特性未知的网络化多传感器系统,研究降低信息传输量的分布式信息融合估计方法就显得十分必要。在网络带宽约束下,融合中心不能接收到完备的传感器信息,降低了融合估计性能。虽然H无穷方法在处理统计特性未知的系统噪声时具有良好的性能,但是该方法要求系统噪声必须满足能量有界的条件。针对不满足能量有界条件且统计特性未知的噪声,本文为此设计了基于有界递归优化的算法,结合量化与压缩降维策略,得到了有界噪声下网络化多传感器系统的分布式融合估计方法。主要工作和成果如下:1.深入分析了基于卡尔曼滤波的分布式融合估计方法,指出了该方法的局限性。进一步的,针对实际应用中难以满足系统噪声协方差矩阵已知的问题,介绍了基于有界递归优化的分布式融合估计方法,为后续研究提供理论基础。最后通过一个移动机器人的数值仿真比较了两种方法,验证了基于有界递归的分布式融合估计方法在有界噪声下的有效性。2.研究了一类系统状态发散的不稳定系统,针对有界噪声下此类系统的分布式融合估计问题,提出了基于新息与有界递归的融合估计策略,结合量化方法,解决了通信约束与系统状态发散的问题。本文提出的算法可在通信约束下得到不稳定系统的高精度融合估计,并通过移动机器人的数值仿真验证了该算法的有效性。3.对于通信约束下非线性系统的分布式融合估计问题,将非线性状态空间方程线性化,通过基于有界递归优化的方法处理系统中的有界噪声,结合压缩降维及间歇发送的策略,降低了算法的通信量,得到了带有有界噪声非线性系统的分布式融合估计策略。本文在局部估计稳定的假设下,通过将非线性系统的线性化误差建模为系统的不确定性,得到了能够保证补偿估计误差依概率收敛的充分条件以及能够保证融合估计器稳定的融合方法。最后,通过移动机器人的数值仿真验证了所提算法的有效性。本文最后对全文进行了总结,并对后续的研究提出了一些展望。