滤波是故障诊断、目标跟踪等领域常见的算法,在一些需要追求高精度与准确性的动态系统的实际应用中有着重要的地位。在滤波算法的发展历史中,针对不同特征的动态系统的滤波算法层出不穷。目前,较为常见的滤波算法有卡尔曼滤波、无迹卡尔曼滤波,容积卡尔曼滤波等。大多数的以卡尔曼滤波为基础的非线性滤波算法针对的是高斯系统,而在非高斯系统滤波算法中,近期发展起来的特征函数滤波方法需要以线性状态方程为前提,从而影响了它的进一步发展。为此,本文针对状态方程为非线性非高斯,测量系统由多个传感器组成的非线性非高斯系统,建立相应的基于特征函数的集中式和分布式等滤波方法,并进行了仿真与应用研究。本文主要工作如下:(1)提出了一种状态方程与测量方程均为非线性非高斯的特征函数滤波方法。首先,研究了非线性转移函数的UT变换形式和基于高维高阶的泰勒展开方法;其次,推导出状态变量估计误差的传播方程,并据此构建出状态误差变量的特征函数递归模型;然后建立了目标函数,推导出非线性非高斯系统的实时递归滤波器;最后用数字仿真实验验证了方法的有效性。(2)建立一种多观测器下的非线性非高斯滤波器。首先根据现有的基于卡尔曼滤波的多传感器滤波器设计方法,设计基于特征函数滤波的并行式滤波器与序贯式滤波器;然后融入了(1)中提出的特征函数滤波中状态方程为非线性时的解决方法,使之适用于非线性系统;最后通过仿真实验验证了其效果。(3)提出一种基于特征函数滤波器的神经网络参数自适应更新方法。首先将含有参数的输出方程视为以参数为状态变量的超越方程;其次建立以待估参数为变量的动态模型,通过结合(1)和(2)还可以实现模型参数的集中式估计和分布式估计;最后设计多隐层神经网络中各层参数逐级迭代更新的分层估计方法。