卡尔曼滤波被广泛应用于各种工程实践和信号处理中,经典Kalman滤波只适合于解决模型参数和噪声方差精确已知系统的状态估计问题。然而,在许多理论和工程应用问题中,模型参数和噪声方差的不确定性是广泛存在的。当模型参数和噪声方差出现不确定性时,应用经典Kalman滤波理论,滤波性能会降低甚至会引起滤波器的发散。为了解决不确定系统的滤波问题,近些年,有关鲁棒Kalman滤波的一些研究成果已经被提出。所谓的鲁棒Kalman滤波器是指设计一个滤波器使其对所有容许的不确定性,它的相应的实际滤波误差方差阵被保证有一个最小上界。目前针对带模型参数不确定系统,有两种基本方法来设计鲁棒Kalman滤波器,一种方法是Riccati方程方法,一种是线性矩阵不等式(LMI)方法。这两种方法的缺点是主要适用于带模型参数不确定,噪声方差精确已知的不确定系统的鲁棒Kalman滤波设计。而且大多数文献没有考虑多传感器信息融合鲁棒滤波器的设计问题,且融合鲁棒滤波器的鲁棒性问题没有完全解决。因此本论文针对带不确定噪声方差的多传感器系统研究信息融合鲁棒Kalman滤波问题。对噪声方差不确定的多传感器系统,本文的主要工作如下:基于极大极小鲁棒估计原理,提出了一种设计鲁棒局部和融合Kalman滤波器的新方法:即对带保守噪声方差上界的最坏情形保守系统,在无偏线性最小方差(ULMV)最优估计准则下,可得带保守观测的保守最优局部和融合Kalman滤波器,将保守观测用真实系统的实际观测代替,可得鲁棒局部和融合Kalman滤波器及其在一般情形下实际滤波误差方差的最小上界。提出了鲁棒性分析的Lyapunov方程方法,将鲁棒性证明问题转化为判定Lyapunov方程的解的正定性问题,对所提出的局部和融合鲁棒Kalman估值器的鲁棒性进行了严格的证明,不同于以往文献中提出的Riccati方程方法和线性矩阵不等式(LMI)方法。对不确定噪声方差系统提出了鲁棒精度和实际精度概念及鲁棒精度分析方法,并且证明了所提出的鲁棒估值器之间的鲁棒精度关系。提出了五种鲁棒加权融合时变Kalman估值器(滤波器、预报器和平滑器)。其中包括3种状态融合(按矩阵加权、按标量加权和按对角阵加权)鲁棒Kalman估值器,一种改进的协方差交叉(CI)融合鲁棒Kalman估值器和一种加权观测融合鲁棒Kalman估值器。其中基于增广状态方法得到了鲁棒加权融合Kalman平滑器,且所提出的改进的CI鲁棒融合器包含局部估值器之间的保守互协方差信息,相比于原始的不考虑互协方差信息的CI融合器,提高了CI融合器的鲁棒精度,给出了实际估值误差方差阵的一个最小上界。通过对时变局部和融合鲁棒Kalman估值器取极限的间接方法,提出了相应的局部和融合鲁棒稳态Kalman估值器,且通过动态误差系统分析方法(DESA)和动态方差误差系统分析方法(DVESA),证明了所提出的时变和稳态鲁棒估值器彼此按实现收敛。基于稳态Kalman滤波理论,提出了一种简单直接方法设计局部和融合鲁棒稳态Kalman估值器。基于极大极小鲁棒估计原理,对带不确定噪声方差的带时滞或不带时滞的传感网络系统提出了两级分簇序贯协方差交叉融合鲁棒Kalman估值器(滤波器和预报器)。可避免计算互协方差,减小计算负担,其中应用最邻近法则,将传感器的节点分成簇来减小通信负担并节省节点能量。本文用若干仿真例子说明了上述算法的正确性与有效性。