本文研究了乘性噪声干扰下多传感器系统非周期信息融合问题。针对线性离散系统,考虑传感器非均匀异步采样引起的采样信息非周期问题,综合利用概率论、正交投影、Kalman滤波等理论与技术,推导出状态的最优估计。在信息融合过程中基于传感器新息设计事件驱动策略,使得传感器信息有选择地参与滤波运算中。最后结合人工神经网络,推导传感器采样信息丢失情况下的误差补偿算法。主要研究内容如下:（1）为解决多传感器系统中传感器变速率非均匀采样问题,采用量测信息状态扩维的方式对非均匀采样系统进行建模,并考虑乘性噪声对于传感器观测信息的影响,推导非均匀多传感器融合估计算法。在上述过程中对传感器采样信息进行异常诊断,设计事件驱动策略。当事件“采样信息正常”发生,使用该采样信息参与信息融合;否则,舍弃采样信息。（2）考虑状态扩维的处理方式使得算法计算量增大,针对乘性噪声对系统中状态转移和传感器量测的干扰问题,提出异步多速率传感器融合算法,结合序贯式滤波算法给出了线性最小方差意义下的状态最优估计。在上述过程中对具有最高采样率的传感器的滤波新息进行Mahalanobis变换,在将其归一化后同阈值进行对比,确定剩余传感器是否触发,达到滤波器实时选取传感器量测信息参与滤波运算的目的。（3）考虑带有乘性噪声干扰的非周期信息融合算法中传感器采样信息发生随机丢失的情况,研究了基于极限学习机的多传感器误差补偿算法。在信息未发生丢失时对极限学习机进行在线训练,当采样信息丢失时使用极限学习机对滤波结果进行误差补偿,解决滤波精度下降的问题。本文所得的理论成果均在仿真实验中进行验证,仿真结果证明了本文所提出算法的有效性与可行性。