状态估计在实时优化、过程监视和控制中发挥着重要的作用。虽然扩展卡尔曼滤波可以通过协调测量数据来拟合由状态空间模型所描述的非线性动态过程并从噪声测量中估计出期望的状态,但其在进行状态估计时需要已知非线性动态系统的数学模型并要求测量噪声服从高斯分布。然而对于一些复杂或未知的动态系统,机理模型的获取往往十分困难甚至不可实现;更重要的是,设备在采集和传输数据的过程中不仅会引入固有的高斯随机噪声还经常会受到各种显著误差的污染。显著误差的存在使得测量噪声不再服从高斯分布甚至导致统计特性的完全破坏。针对以上扩展卡尔曼滤波在状态估计中存在的问题,本文提出并设计了几种面向非线性动态系统状态估计的鲁棒扩展卡尔曼滤波方法,主要研究工作及创新点如下:（1）针对动态系统中经常出现的异常值、静差和漂移这三类显著误差或其不同的组合形式,提出了一种基于测量补偿的鲁棒扩展卡尔曼滤波方法。首先,通过统计检验方法将正常测量数据与异常测量数据进行区分,随后,根据各种显著误差的特点完成显著误差识别及其大小估计,最后,使用补偿后的测量值重新估计出准确的系统状态。（2）针对扩展卡尔曼滤波不适用于含非高斯测量噪声的状态估计问题,使用动态数据校正技术的基本框架重新推导了扩展卡尔曼滤波算法并实现这两种方法的相互转化,以此形成了基于动态数据校正的扩展卡尔曼滤波方法（DEKF）。同时,基于贝叶斯公式和最大似然估计原理将DEKF的应用领域从高斯测量噪声扩展到非高斯测量噪声,并提供了将扩展卡尔曼滤波与任意分布的测量噪声相结合的状态估计方案。（3）针对模型复杂或未知的非线性动态系统,提出了一种将Elman神经网络与扩展卡尔曼滤波相结合的动态数据校正策略,使得这两种方法实现有效的优势互补。该方法不需要复杂的机理建模过程,使用数据驱动建模的方式获得系统的动态模型,并根据模型预测输出和当前测量结果实现准确的动态数据校正。该方法在提高预测精度的同时还对测量环境的变化展现出较强的适应性。本研究考虑了扩展卡尔曼滤波方法的不同应用场景,为处理非线性动态系统在测量异常、模型未知情况下的鲁棒状态估计问题提供了解决方案,进一步扩展了卡尔曼滤波技术的适用范围。