近年来,在新兴智能感知技术的推动下,具有智能化、分布化和信息化的多传感器网络化系统得到了快速发展。在多传感器网络化系统的数据处理中,传统的集中式数据处理技术已不适应于实时数据处理的要求。由于分布式数据处理技术具有可靠性、可扩展性、灵活性和快速性等优点,而被广泛应用于目标跟踪、环境监测、智慧农业和医疗保健等领域。然而,在多传感器网络化系统中存在着有限传感器电能、噪声干扰、数据通信时滞和丢失、观测衰减和非线性动态等多种不确定因素,为了降低这些因素对多传感器网络化系统状态估计性能的影响,本文考虑到多传感器网络化系统中不同传感器节点估计精度的差异,在Kalman滤波器框架下提出了一种带不同一致增益的分布式滤波器结构,并在线性无偏最小方差准则下,分别研究了多传感器网络化线性和非线性离散随机系统的分布式估计问题,主要研究内容如下:1.对带随机传感器激活和信道噪声的多传感器网络化系统,其中网络中每个传感器利用随机激活方式来观测目标状态,以实现节约传感器电能的目的,同时传感器之间的数据通信可能遭受到通信噪声干扰。考虑到上述因素,在带不同一致增益的分布式滤波器结构下,设计了在线性无偏最小方差准则下的最优分布式滤波算法,推导了不同传感器之间互协方差矩阵的递推计算公式。此外,为了避免传感器之间互协方差矩阵的计算,通过极小化局部滤波误差协方差矩阵的一个上界,提出了一种依靠一组自由标量参数的次优分布式滤波器。通过进一步极小化次优滤波器的滤波误差协方差矩阵上界,获得了最优标量参数与最优增益矩阵满足的一组耦合的非线性方程,应用非线性优化方法获得了它们的近似最优数值解。在整个网络可检可稳的条件下,分析了以上两种滤波器的稳定性与稳态特性。所提出的分布式滤波器的增益和协方差矩阵可以离线计算,便于实时应用。2.对带随机观测丢失和随机邻居节点估值丢失的多传感器网络化系统,当传感器知道数据是否丢失时,分别提出了依靠数据是否丢失的在线分布式滤波器和离线分布式滤波器,两者区别在于后者滤波器的增益和协方差矩阵依靠于数据丢失概率且具有稳态特性。当传感器不知道数据是否丢失时,提出了一种完全依靠数据丢失概率的分布式滤波器,即滤波器及其增益和协方差矩阵都是依靠于数据丢失概率。分别在保守性较弱的条件下,证明了以上三种分布式滤波器的稳定性。最后,从估计精度和计算量方面,对所提出的分布式估计算法进行了比较分析。3.对带随机通信时滞和丢包的多传感器网络化系统,首先,采用随机传感器激活机制节省传感器的能量消耗;采用预报补偿策略对时滞和丢失的数据进行补偿。提出了极小化滤波误差协方差矩阵上界的分布式滤波器,获得了最优多增益矩阵和一组最优标量参数,分析了滤波误差协方差矩阵最小上界的有界性。此外,考虑到传感器的观测衰减问题,提出了带观测衰减及随机通信时滞和丢包的分布式滤波器,证明了其误差协方差矩阵最小上界的有界性。由于随机时滞的存在,所提出的滤波增益矩阵要求实时计算,具有较大的在线计算负担。为了避免增益矩阵的实时计算,利用带最大时滞的分布式稳态滤波器所获得的稳态值,分别提出了避免在线优化标量参数的分布式滤波器,以及同时避免在线计算增益矩阵和标量参数的分布式滤波器,减少了在线计算负担。4.对多传感器网络化离散随机非线性系统,考虑了泰勒级数展开式中的高阶无穷小项,提出了可避免计算互协方差矩阵的分布式扩展Kalman滤波器。利用极小化滤波误差协方差矩阵上界以及非线性优化方法,获得了带一组最优标量参数的最优多增益矩阵,进而获得滤波误差协方差矩阵的最小上界。证明了滤波器的滤波误差的均方指数有界性。此外,对带随机传感器激活及随机通信时滞和丢包的多传感器网络化非线性系统,设计了分布式扩展Kalman滤波器。最后,搭建二维目标跟踪定位系统的实验平台,并将所提出的分布式扩展Kalman滤波算法应用于实验平台中,实验结果验证了所提出的分布式估计算法在实际场景应用中的有效性。