多传感器信息融合滤波理论目前已被广泛应用于航空、航天、航海、工业过程控制、目标跟踪等领域。信息的融合能够充分利用不同传感器的观测信息,从而可以得到系统状态的一种最佳描述,能够保证系统的可靠性。而在复杂环境下,如对多传感器系统能够有效的识别、剔除各种错误或误差信息的话,则将可以进一步提高系统状态估计的精度。Kalman滤波算法是一种极为常用的状态估计方法,其递推的算法形式,较小的数据存储量都使得它更优于其他一般的滤波算法。然而,在实际应用过程中,由于周围环境的影响、测量设备自身造成的误差、模型和参数选取不当等原因,常常造成测量数据中的系统误差随时间变化而漂移。这种量测系统误差通常又是难于验证或校准的,直接使用传统的Kalman滤波算法往往也会引起较大的滤波误差。针对该问题,本文进行了基于增量方程的多传感器欠观测系统Kalman滤波算法和融合算法的相关研究,主要内容包含如下几个方面:首先对线性离散欠观测系统提出了一种新的增量方程,并基于两种增量方程分别提出了相应的增量Kalman估值器(包括增量滤波器、增量预报器和增量平滑器),能够有效解决传统Kalman滤波算法解决不了的欠观测系统的状态估计问题;其次,基于线性最小方差最优融合准则,分别提出了多传感器欠观测系统加权状态融合和加权观测融合增量Kalman估值器,提高了多传感器欠观测系统的状态估计精度。最后,考虑增量观测噪声为有色噪声的情形,分别提出了带有色观测噪声的局部和加权观测融合增量Kalman估值器,相比带白色观测噪声的增量Kalman估值器在估计精度上又有了进一步的提高。以上算法都给出了具体的仿真应用实例,仿真结果充分说明了所提出的算法的有效性和实用性。