本文重点研究了带丢包的多传感器广义系统信息融合鲁棒估计问题。首先,研究带丢包和不确定噪声方差的单传感器广义系统的鲁棒时变预报器和预报器以及稳态滤波器。其次对带丢包和不确定方差的多传感器广义系统研究其信息融合鲁棒估值器,最后就鲁棒性和收敛性等展开了深入研究。具体内容如下:对于带丢包和不确定相关噪声方差的线性离散随机广义系统,本文提出了时变鲁棒Kalman滤波算法。首先利用奇异值分解（SVD）方法、增广状态方法和虚拟噪声方法,将原始广义系统转化为增广降阶状态的标准状态空间模型,该模型只带不确定虚拟噪声方差。再利用最优Kalman滤波理论和极大极小鲁棒估计原理,提出不确定广义系统的实际鲁棒时变Kalman滤波器和鲁棒稳态Kalman滤波器,同时提出了它们的实际滤波误差方差阵。然后,基于Lyapunov方程方法证明它们的鲁棒性,也即实际滤波误差方差阵存在已知保守上界。最后,本文证明了鲁棒时变Kalman滤波器的稳定性和鲁棒稳态Kalman滤波器的收敛性。针对带丢包和不确定方差的多传感器广义系统,本文应用SVD分解、增广方法和虚拟噪声补偿方法,将原系统转为降阶标准系统,并提出了局部的鲁棒时变Kalman估值器。应用按矩阵加权、按对角矩阵加权、按标量加权和按协方差交叉（Covariance Intersection,CI）融合算法,提出了四种鲁棒融合时变Kalman估值器。利用增广噪声方法、非负定矩阵分解方法、二次型矩阵表示方法和Lyapunov方程方法组成的组合方法证明了所提出的估计器的鲁棒性。