状态估计也称为滤波，是指通过非直接的方式，根据选取的估计准则和能获得的观测数据来估计动态系统的内部状态。状态估计理论的应用非常广泛，在航空、航天、目标跟踪、电力系统、模式识别以及机器人编队等领域均得到了成功的应用。在状态估计理论的实际应用中，状态向量常常包含约束条件，这些约束条件通常可以预先获知，有效地利用这些先验信息可以进一步明确目标状态元素之间的关系。然而，在系统状态估计理论的实际应用中，却常常忽略这些系统固有的先验约束信息。究其原因并不是实际系统中不存在约束，而是缺乏对约束信息的有效挖掘和使用方法。事实上，约束信息的存在改变了状态估计模型概率方面的结构，使原来的状态估计过程发生了变化，给数据分析和状态估计的实现带来了困难。若能克服这些困难，并合理地利用这些先验约束信息，理论上可以提高对含有约束信息动态系统的状态估计精度。因此，开展基于约束信息的状态估计与融合研究具有一定的理论意义与广泛的应用前景。本文主要是针对线性等式约束、非线性等式约束、观测噪声未知和测量噪声相关的多传感器约束系统，在已有的研究基础上，提出了一系列新的算法。本文研究工作主要集中在以下三个方面：1）研究了具有线性和非线性等式约束的状态估计问题。将约束信息纳入到传统卡尔曼滤波框架之中，把传统无约束卡尔曼滤波结果投影到状态约束子空间，投影之后的结果具有更高的状态估计精度。根据是否将经过约束信息处理的结果反馈到状态估计回路中，分为开环式和闭环式约束滤波。并将基于投影法的约束滤波算法推广到非线性系统。2）针对含有等式状态约束系统中观测噪声统计特性未知情况下，提出模糊自适应约束状态估计算法。采用模糊推理系统和协方差匹配技术在线实时调整观测噪声协方差矩阵，使其不断接近真实的情况，有效地提高了状态估计对模型变化的适应能力。3）为了提高状态估计的精度和可靠性，在前面研究成果的基础上，提出了多传感器等式约束状态估计算法。研究了约束系统多传感器分布式矩阵加权数据融合算法。并且研究了分布式融合策略，通过协方差匹配技术检测观测数据异常的传感器，使之不参与到数据融合中。最后，研究了多传感器系统噪声相关情况下的约束滤波问题。