机车行驶的最终驱动力是机车牵引力，而牵引力的产生与轮轨间的粘着存在依赖关系，增大牵引力需要提高机车粘着利用率。粘着控制可以改善粘着利用情况，但是粘着控制却很难对粘着状态进行估计。由于机车运行的环境、检测设备的准确率和轮轨接触情况的影响，机车前进时轮子和铁轨之间的粘着曲线具有较强的非线性特征，且快速时变，所以对粘着控制进行优化首先需要准确地估计粘着状态参数。　　由于各种因素的影响，轮轨粘着过程具有很强的非线性和时变性，无法用数学模型进行精确地描述，使得这种系统无法应用固有的状态观测器和标准卡尔曼滤波器，所以，本文研究了不确定系统的状态估计方法。　　对卡尔曼滤波算法的思想流程和基本原理进行了介绍。在卡尔曼滤波算法的基础上详细研究了容积卡尔曼滤波算法并设计了改进的强跟踪容积卡尔曼滤波算法。建立了机车单轮对和多轮对动力学模型，先后应用容积卡尔曼滤波算法和分布式改进的强跟踪容积卡尔曼滤波算法对机车轮速、车速及粘着系数进行状态估计，然后在MATLAB/Simulink平台进行仿真验证，为粘着控制在工程实践中的应用奠定了基础。　　由于需要更深入地研究低粘着状况下的机车状态估计，所以研究了一种改进的强跟踪滤波算法，通过提高判定滤波异常的阈值降低产生渐消因子的概率，提高强跟踪滤波估计精度。然后在一步预测协方差矩阵中引入强跟踪渐消因子，建立改进的强跟踪容积卡尔曼滤波算法（ISTCKF）。　　机车粘着状态参数估计是机车动力学控制的基础，其准确度很大程度上决定了机车动力学控制的效果。由于转向架既是快速反应的执行控制单元（可实现驱动力与制动力的快速准确调节），又是机车的信息单元（可实时反馈当前驱动力矩和驱动轮转速信息），将该信息单元所反馈的信息应用于机车车速估计中，将会进一步提升机车车速估计的精度。基于ISTCKF的分布式车速估计方法是利用两转向架协调控制整车速度。转向架为机车的一个独立部件，前后两个转向架的速度可以分别获得。将两个转向架的速度输入车速综合判定模块，通过车速综合判定模块从动力学角度进行综合分析得出最优速度估计，形成一套新型的机车车速估计理论和方法。将这种新型的状态观测系统应用于机车状态估计中，会大幅度改善和提高机车车速估计的效果。