实际应用中，动态系统的外界干扰通常不是互不相关的高斯白噪声，因而，相关性噪声滤波是最优估计理论研究的一个热点并且在近些年得到广大学者的普遍关注。网络的广泛应用推动了相关性噪声滤波理论的发展，对网络产生的时滞、丢包等估计问题的研究在大多数情况下可以转化成对含相关性噪声的随机动态系统的估计问题的研究。另外，传感器技术的发展也同样影响着估计理论的发展，对含相关性噪声系统的多传感器数据融合问题的研究也得到了越来越多的关注。除此之外，系统模型不确定性是估计器估计效果变坏甚至不稳定的重要因素。然而，由于人们认知的局限性以及系统本身和环境的变化，使得所建立的系统数学模型与实际系统之间总会有偏差。因此，不确定系统的鲁棒滤波理论也就成了当前估计理论研究的另外一个热点。本文在总结前人研究的基础上，研究了含相关性噪声，模型不确定性和测量数据时滞、丢失现象的动态系统的估计和融合问题，并将所得到的部分理论结果应用到恒定速度的目标追踪系统和恒定加速度的目标追踪系统。本文的主要工作可概括如下：针对动态系统中存在的有限步跨时自相关过程噪声，模型不确定性和测量数据丢失现象提出了最小方差最优的递推鲁棒滤波器设计方法。综合考虑了动态方程和测量方程中的随机不确定性；过程噪声是有限步跨时自相关的；测量数据丢失现象被描述成一个二进制切换序列。基于最小方差最优的设计思路，得到了所期望的鲁棒滤波器。最后，数字仿真结果表明了所设计的滤波器具有良好的工作性能。提出了含有限步跨时自相关测量噪声，模型不确定性和多包丢失现象的动态系统的最优非脆弱滤波器设计方法。不但考虑了系统模型中存在的不确定性，而且还考虑了所设计的滤波器参数的不确定性。基于一个多包丢失模型和状态向量增广，得到了一个含有限步跨时自相关和互相关噪声的随机不确定系统。在最小方差意义下，得到了所期望的最优非脆弱滤波器。最后，仿真计算验证了所设计滤波器的有效性。将测量数据传输中出现的时滞、丢包等现象扩展到广义系统。提出了基于奇异值分解，革新分析和射影定理的广义滤波器，预测器和平滑器设计方法。基于奇异值分解和状态增广，原时滞广义系统的状态估计问题转化成含跨时相关性噪声的正常子系统和过程噪声的状态估计问题。基于革新分析法和射影定理，首先获得了子系统和过程噪声的滤波器，预测器和平滑器。在此基础上，最终获得了原广义系统的滤波器，预测器和平滑器。研究了含同时相关性噪声的动态系统的最优分布式卡尔曼滤波器融合算法。系统的过程噪声和每个传感器的测量噪声是同时刻相关，同时，每个传感器测量噪声之间也是同时刻相关。基于一个正交化的方法，原始测量转化成了测量噪声互不相关的新测量。基于新建测量，首先推导了不含反馈的最优分布式卡尔曼滤波融合算法，而后，推导了含反馈的最优分布式卡尔曼滤波融合算法。对于新得到的最优分布式卡尔曼滤波融合算法给出了严格的性能分析。最后，将得到的融合算法应用到恒定速度的目标追踪系统和恒定加速度的目标追踪系统，仿真结果表明了算法的有效性和性能分析的正确性。研究了含跨时相关性噪声的动态系统的分布式权重滤波融合。对于每个传感子系统，首先推导了局部的递推滤波器，在此基础上提出了应用分布式权重滤波融合方法来处理含跨时相关性噪声的动态系统的最优无偏融合问题。相对于其他的融合算法，新得到的融合算法有更强的抗干扰能力。最后，仿真计算验证了所设计融合算法的有效性。