随着计算机技术、信息技术及网络通信技术的发展和交叉渗透,网络化系统在军事和民用领域得到了普遍的应用。由于网络化系统的特殊性和复杂性,性能各异的系统组件难以保持对所有物理信号始终采用统一的采样率,并且不可避免的受到网络化不确定性因素的影响。同时,为满足系统功能不断增长的需求,相较于传统多传感器系统的单速率采样形式,基于网络的多速率异步采样多传感器系统的融合估计问题得到了广泛的关注。本文针对不同采样机制的异步采样系统,考虑了几种网络诱导的不确定性因素,基于射影理论,研究了集中式融合、分布式融合和贯序融合估计算法。主要内容包括如下几个方面。对带同时刻相关噪声的异步均匀采样和异步非均匀采样网络化系统,提出了线性无偏最小方差意义下的按矩阵加权分布式最优融合估计算法。其中,通过迭代状态方程建立了异步均匀采样系统观测采样点上的状态空间模型;采用状态加权和观测增广的方法,建立了异步非均匀采样系统状态更新点上的增广状态空间模型;并推导了任意两局部估值器间的估计误差互协方差阵。此外,针对异步均匀采样系统分析了所提算法的渐近稳定性;针对异步非均匀采样系统提出的估计算法与现有文献中的结果相比,不要求状态转移矩阵的逆存在,因而具有更广泛的应用领域。对控制器到执行器和传感器到估值器数据传输存在丢包的异步非均匀采样网络化系统,以及带丢失观测的异步非均匀采样网络化系统,采用状态加权的方法,分别建立了观测采样点之间以及观测采样点与其所在状态更新周期左端点间的非增广状态空间模型。进而基于所建立的模型提出了局部最优非增广递推状态估值器,多传感器最优融合估值器和次优协方差交叉分布式融合估值器。与现有文献中的结果相比,所提估计算法不仅可以给出状态更新点的状态估值,而且能够提供观测采样点的状态估值。此外,所提估计算法可避免观测的增广,因而具有较小的计算负担。对带定常单观测时滞的异步均匀采样网络化系统,通过迭代状态方程建立了观测采样点上的非时滞状态空间模型。基于所建立的模型提出了按矩阵加权分布式实时最优融合估值器。为避免实时估计算法中引入的相关噪声,采用伪观测方法重新建立了状态更新点上的状态空间模型,并提出了具有更高估计精度的按矩阵加权分布式非实时最优融合估值器。对带多重随机观测时滞的异步均匀采样网络化系统,通过迭代状态方程建立了观测采样点上的非时滞状态空间模型。基于所建立的模型提出了局部最优状态估值器,多传感器最优集中式和次优协方差交叉分布式融合估值器。对带随机参数扰动、衰减观测和相关噪声的单速率多传感器网络化系统,首先通过将乘性噪声项移至加性噪声中建立了等价于原系统的状态空间模型。进而基于所建立的模型提出了最优贯序融合估计算法,并证明了算法的最优性。随后,将其结论推广到了带同时刻相关系统噪声和观测噪声的多传感器异步均匀采样网络化系统中。对异步非均匀采样系统,采用状态加权的方法建立了状态更新点上的状态空间模型。基于所建立的模型提出了最优贯序融合估计算法,并证明了算法的最优性。对异步均匀采样系统,给出了基于迭代状态方程、基于提升技术和基于伪观测的同步化方法及相应状态估计算法,并提出了基于观测插值将异步均匀采样系统转化为与状态更新同速率的单速率系统的同步化方法,进而基于所建立的模型提出了线性最小方差意义下的局部最优估计算法和多传感器次优协方差交叉分布式融合估计算法。比较几种估计算法,基于迭代状态方程预报形式估值器和基于伪观测估值器为具有相同估计精度的实时估计算法;基于迭代状态方程平滑形式估值器、基于提升技术估值器和基于观测插值估值器为具有相同且更高估计精度的非实时估计算法。