在系统辨识和建模误差分析中,集员估计区间分析算法作为一种新兴的、有效的估计方法。近年来在国际控制理论界逐渐走红。这种方法的主要特征是:假定系统的噪声是随机过程,不需要知道干扰噪声或噪声功率分布(未知但有界——Unknown But Bounded,简称UBB)的情况下,根据系统输入输出提供的信息,确定一个参数空间与观察数据和噪声相容的的成员集合(或区间),该集合(或区间)总是包含着待辨识的真值。有关集员估计区间算法的研究在许多工程中得到了应用,并在一些方面取得了引人瞩目的突破性成果。尽管集员估计理论应用的研究已经取得了一定的成果,但这些的研究并非完善。本课题在研究分析现有集员估计成果的基础上,对现有集员估计区间算法进行改进,提出了一种新型的区间分析方法,即多传感器数据融合的集员估计区间算法。其基本思想是利用多传感器融合技术的优势对含有噪声的数据样本进行预处理,使之更能反映数据本质;融合后的数据信息再根据集员估计区间分析方法对系统参数进行估计,以得到一个更紧致的估计区间。本文总共分为下面几部分:第一部分主要叙述了集员估计理论的由来、原理、发展和研究现状。并在此基础上引入了集员估计中重要的一类算法——区间算法(盒子算法)。然后详细的介绍区间算法的数学基础。并重点地分析了一种线性时不变系统的集员区间分析的算法。同时给出了详细地递推过程。第二部分系统地介绍了多传感器信息融合原理和研究现状。重点对数据融合原理、结构组成、融合方法和融合技术的意义等进行了详细的介绍。仔细地分析了单一传感器和多传感器融合技术方案的优劣,并对其融合结果进行了仿真实例比较。第三部分是本课题研究的重点,在分析集员估计区间算法和数据融合技术的基础之上,提出了一种新型的算法——多传感器数据融合技术的集员估计区间算法。详细地说明了怎么利用多传感器融合后的更有效,更全面的数据进行区间估计。证明了多传感器数据融合技术可以有效地减少系统的总均方误差。然后把融合后的这些数据利用集员估计区间算法进行系统辨识,使待辨识的区间更加的紧致,仿真实验表明该新型算法对区间的优化是有效的。最后对本课题以后的研究提出了要求,希望利用融合技术的区间估计算法具有更高的稳定性,即希望融合中心的输入有很小的“扰动”时,其结果输出有很强的鲁棒性等问题;还有就是多传感器耦合之间的误差、采集的数据量大、数据的形式多样性等,这些问题都会影响到辨识估计的精确性和快速性,还有待于以后进一步的研究和探讨。