状态估计在目标跟踪、参数辨识、智能驾驶、通信导航等领域越来越受到重视。主要方法有:线性型卡尔曼滤波,非线性型扩展卡尔曼滤波、无迹卡尔曼滤波和强跟踪滤波,非高斯型粒子滤波等。针对上述方法在面对强非线性系统时所遇到的瓶颈问题,近几年发展起来的特征函数滤波,在面对强非线性测量系统的状态估计问题中,取得了令人满意的效果。但面对实际系统常存在状态模型和测量模型都是强非线性的状况,现有方法还缺乏更好的解决途径。为此,本文针对上述难题,通过将状态模型中的非线性项定义为系统的隐变量,并结合新设计出的滤波器性能指标,开展了新建滤波器的应用研究,建立一类非线性系统特征函数滤波器设计与性能分析方法。本文主要研究工作如下:（1）含有隐变量的特征函数滤波器设计。首先,引入系统状态的隐变量,对非线性状态模型进行线性化建模;其次,构造以特征函数为优化目标的新性能指标,设计出新型特征函数滤波器;最后,以非线性模型逼近能力为指标,对比EKF中截断误差对滤波性能的影响,验证所建新型特征函数滤波器的高精确性。（2）新型特征函数滤波器融合方法设计。首先,在多传感器测量传输无延时情况下,分别设计出集中式融合和高效并行式融合方法;其次,在通讯有延时和丢包情况下,设计出适用于测量信息时序到达的序贯式融合方法;最后,基于分布式多传感器无线通讯环境,对三种形式融合方法的性能进行实验仿真分析与研究。（3）强非线性输入输出系统参数实时辨识方法设计。首先,视强非线性输入输出系统为测量模型,将测量模型中待辨识的参数定义为系统状态变量;其次,对系统状态进行随机动态建模,建立基于新型特征函数滤波器的系统状态估计方法;最后,以深度神经网络模型参数辨识为对象,验证新型滤波器的强大应用能力。