在网络化控制系统中，由于通信带宽和通信能量的有限性，使得网络化系统的控制越来越复杂。因此在系统的状态估计中传统的时间触发机制已经不能满足需求，为了节省传感器的通信能量，可以采用非周期采样的事件触发通信策略来选择有价值的信息进行数据传输。同时，分布式估计由于每个传感器都可以作为一个融合中心且具有通信负担小等优点而备受关注。本文主要研究了事件触发分布式滤波问题。主要研究内容如下:
　　对噪声不相关的线性离散时变系统，提出了一种带观测和估值事件触发的分布式估计算法。在分布式估计中，每个传感器只与邻居传感器通信。采用两组伯努利随机变量分别表示观测触发和估值触发两种现象，同时，增加相同的一致性项描述邻居节点间的信息交换。在线性无偏最小方差意义下推导了分布式最优滤波器。为了避免估值之间互协方差矩阵的计算，通过局部极小化方差的上界提出了事件触发的次优分布式滤波器。基于李雅普诺夫方法证明了次优算法在均方意义下的指数有界性。数值仿真验证了事件触发的阈值越小，通信率越高且滤波器的估计精度越高;否则，通信率越低且估计精度越低。
　　对带相关噪声的多传感器网络化线性离散时不变系统，提出了基于预报补偿的事件触发分布式估计算法。采用一组伯努利随机变量描述估值触发机制，当估值器与邻居估值器之间未正常触发时，采用最新触发时刻对当前时刻状态的预报估值进行补偿。利用矩阵不等式得到了事件触发的分布式次优滤波器。数值仿真验证了带补偿的算法优于不补偿的算法。
　　对带相关噪声的多传感器网络化线性离散时变系统，提出了具有不同一致性增益的事件触发分布式估计算法。采用两组伯努利随机变量分别描述观测触发和估值触发两种机制。通过对不同的邻居节点的估值设计不同的一致性增益，并对一致性项进行扩维，推导了在线性无偏最小方差意义下的分布式最优滤波器。为了避免估值之间互协方差矩阵的计算，通过局部极小化方差的上界提出了事件触发的次优分布式滤波器。基于李雅普诺夫方法证明了次优算法在均方意义下的指数有界性。数值仿真验证了在相同的条件下带不同一致性增益的算法优于带相同一致性增益的算法。
　　对带一步传输时滞的多传感器网络化非线性系统，提出了事件触发分布式估计算法。考虑固定拓扑结构，传感器的状态向量取决于自身和邻居节点的状态，采用伯努利随机变量描述观测触发机制。基于状态模型转换方法，对当前时刻状态和前一时刻观测进行增广得到一个等价的状态空间模型。当事件触发时，传感器向估值器传输观测值，且传输过程中可能存在传输时滞。因此，基于事件触发、传输时滞和矩阵不等式，推导了极小化滤波误差方差上界的事件触发分布式次优滤波算法，然后基于最小方差上界得到滤波增益。基于李雅普诺夫方法证明了算法在均方意义下的有界性。数值仿真验证了阈值越大，通信率和估计精度越低。