在众多的模型参数估计算法中,卡尔曼滤波以其较强的噪声抑制能力正受到越来越多的重视。本文将卡尔曼滤波应用于模型参数估计中,主要有两个应用领域:一个是用于超声波回波渡越时间(Time Of Flight,TOF)的估计。由于超声波易受外界噪声的影响,从而导致其回波前沿到达时间难于精确确定。本文采用已有的单回波包络经验模型作为超声波回波的包络模型,并以此推导出适用于双回波重叠的超声波包络经验模型。分别利用扩展卡尔曼滤波和无迹卡尔曼滤波在单回波和双回波重叠两种情况下对渡越时间进行估计,分析估计误差,比较两种方法的估计结果;另一个是用于多功能传感器模型的参数估计。由于多功能传感器同时敏感多个物理量,从而导致其输入输出关系难以用现有的物理理论加以描述。本文采用Takagi-Sugeno(T-S)模糊模型作为数学模型,在非线性较大和较小两种情况下,利用减法聚类生成初始参数和结构,利用扩展卡尔曼滤波对传感器模拟网络进行逆向建模和参数估计。本文简要介绍了传统卡尔曼滤波算法(Kalman Filter,KF)及其在非线性系统中的两种推广算法,即扩展卡尔曼滤波(Extended Kalman Filter,EKF)和无迹卡尔曼滤波(Unscented Kalman Filter,UKF),并从原理上比较了两种算法的优劣。仿真实验和误差分析表明,卡尔曼滤波算法具有优良的噪声抑制能力,能够精确的估计出模型的参数。同时,由于其本身是一种递推算法,因而对处理器和存储空间要求较低,易于推广和应用。