近年来,随着多传感器信息融合在军事领域和民事领域的广泛应用,时滞系统的状态估计融合问题也受到越来越多的关注。由于系统元器件老化或系统本身存在不可避免的因素使得系统存在时滞环节,在多传感器信息融合问题中系统的时滞现象是普遍且不可避免的,控制系统中存在时滞会导致系统中的信息传递不及时,从而影响系统估值效果,且时滞的不可控性会导致系统稳定性降低,最终影响系统整体的控制效果。除此之外,在时滞系统中由于信息传递存在延时,且时滞系统本身的复杂性,所以局部传感器之间的误差互协方差是难以求得的。为了减少因误差互协方差引起的大量计算,可以应用序贯逆协方差交叉(Sequential inverse covariance intersection,SICI)融合算法来处理互协方差未知的时滞系统,该算法能够显著减少计算量,降低对存储空间的要求,且其融合精度高于局部传感器估值精度,有良好的估值性能。本文基于线性最小方差理论对多传感器随机时滞系统进行理论推导,并利用SICI融合算法对系统进行状态融合估计,主要研究内容如下:首先,基于序贯协方差交叉(Sequential covariance intersection,SCI)融合算法的融合思想将逆协方差交叉(Inverse covariance intersection,ICI)融合算法应用到多传感器信息融合问题中,提出了SICI融合算法。对带不相关噪声的随机滞后多传感器系统,基于局部稳态Kalman滤波算法,应用SICI融合算法对局部传感器信息进行融合,得到融合结果。将SICI融合算法与SCI融合算法和按矩阵加权融合算法进行比较,得出SICI融合算法不仅继承了SCI融合算法计算量小的优势,且其融合精度高于SCI融合算法。与按矩阵加权最优融合算法比较,虽然SICI融合算法是次优的,但是其融合精度接近于最优融合算法的融合精度。其次,分别研究了带相关观测噪声和带相关系统噪声的多传感器随机滞后系统的信息融合问题。先运用状态扩维、引入虚拟噪声和Lyapunov方程等方法将原系统转化为带非时滞系统,再基于局部稳态Kalman滤波理论,对转化后的系统运用SICI融合算法,得到的融合估值结果与其他融合算法估值结果进行比较,比较结果显示SICI融合算法具有良好的融合精度,且减少了大量计算。最后,通过Matlab对5个例子进行仿真来验证SICI融合算法的融合效果,仿真图和仿真数据表明SICI融合算法对处理时滞多传感器系统是十分有效的,该算法不仅在融合精度上更接近于最优融合算法的融合精度,而且避免了误差互协方差的计算,大大减少了计算量。