近年来,在军事领域、工业领域以及智能系统等科技飞速发展,单传感器的观测系统已经远远不能满足目标跟踪或状态估计的需要了,因而多传感器信息融合的研究得到了广泛的关注。在多传感器系统中由于传感器和其他各种元器件的老化以及系统本身存在的不可避免的因素使得系统存在时滞。在控制系统中时滞会恶化系统性能使得观测到的信息不能及时送达,从而破坏了系统的稳定性,进而对系统的控制能力产生不利的影响。除此之外,由于时滞的存在使得对多传感器的观测数据融合时,局部传感器之间的互协方差的计算非常复杂甚至有些互协方差不能够得到。为了减小局部传感器之间互协方差的计算负担并简化复杂的多传感器融合算法,可以将局部状态估计和对应的误差方差阵用SCI的融合估计算法来计算。由于用SCI融合估计算法避免了互协方差的计算,使得融合结果的精度下降,但是SCI的融合结果具有保守性并且显著的减少了计算负担。本文基于线性最小方差理论对多传感器时滞系统推导,并利用SCI融合算法进行系统状态的融合估计,主要的研究内容如下:首先,对带不相关白噪声的观测滞后多传感器系统和带不相关噪声的状态、观测均滞后的多传感器多时滞系统,基于经典Kalman滤波算法,应用SICI融合估计算法进行融合,得到的融合结果与SCI的融合结果和按矩阵分布式加权的融合结果进行比较,可以得出SICI融合算法的融合结果具有一致性和保守性,它的融合精度高于SCI融合算法,克服了SCI融合结果过于保守的缺点,计算的复杂程度并没有增加。与按矩阵加权的方法比较,SICI融合估计算法计算负担大大降低,但是精度更加接近按矩阵加权的最优融合精度。其次,对带相关噪声的多时滞系统融合稳态次优Kalman滤波,将带相关噪声的时滞系统采用去相关的方法转化为带不相关白噪声的时滞系统。然后将系统进行扩维和增广,接着运用SCI融合估计算法和SICI融合估计算法进行融合,将融合结果和按矩阵加权的最优融合结果进行比较,发现这两种方法的融合精度与矩阵加权的方法相近,但可以很大程度的减小计算负担并得到一致性的融合结果。最后,通过若干的仿真研究以及数据分析,验证了SCI和SICI融合估计算法在多传感器时滞系统中应用十分便捷,并且这两种融合结果具有一定的保守性和一致性,它不仅降低了传统信息融合计算互协方差的计算负担,而且还保持了融合结果的高精度。