复杂环境下目标探测与跟踪是现代战场分布式传感器网络的核心任务,然而由于环境干扰、对抗欺骗以及模型、平台偏差等未知因素导致的系统模型失配问题成为制约系统探测跟踪能力的关键因素。因此如何实现模型失配情况下偏差建模、目标状态及偏差的联合估计成为当前研究的重点,而在此基础上如何进一步高效实现多传感器网络协同探测及信息有效获取则成为当前面临的挑战性难题。为此,本文针对模型失配情况下随机动态系统偏差、目标状态和未知输入的联合估计以及多传感器网络中节点协同唤醒策略等问题进行了深入研究,主要内容如下:1.针对传感器模型存在失配项的问题,建立了基于不等式统计约束的系统偏差模型,并提出了基于凸优化的最小上限滤波器,实现了不等式统计约束偏差存在时的状态向量自适应估计,并以角速率传感器为例验证其算法有效性。首先根据角速率传感器输出偏置漂移连续缓变特性将其建模为模有界未知系统偏差,然后通过在滤波过程中引入一个自由参数描述输出漂移对估计误差方差上限的影响,并实时参数寻优得到角速率自适应估计。该算法省去了角速率传感器输出漂移误差建模过程,更容易满足实际系统的应用要求。2.针对传感器失配项统计特性未知的问题,建立了未知系统输入驱动下系统广义偏差模型,并在此基础上提出了未知输入解耦滤波器,实现了单传感器下在线动态系统偏差和状态向量的联合估计。通过解耦算法构建与系统未知输入无关的量测模型,并再重构出新的与随机未知输入的广义动态系统偏差无关的系统模型;在最小方差准则下,设计出了对于系统偏差和目标状态的解耦滤波器并得到了其最优估计。本文提出的解耦滤波器能够有效地去除在未知输入对传感器量测的影响,得到目标状态向量和系统偏差向量在最小方差意义下的最优估计。3.针对多传感器网络中失配项统计特性未知的问题,提出了网络意义下未知输入解耦滤波器,在平均一致原则下得到本地系统偏差、目标状态和未知输入的联合估计。首先通过解耦滤波器得到本地目标状态估计和本地系统偏差估计;然后通过各个传感器节点与其相邻传感器节点交换局部估计结果,重复迭代得到目标状态和未知输入的全局共识估计;最终根据得到全局共识迭代估计,各个传感器再修正本地系统偏差估计,最终得到目标状态、系统偏差和未知输入的联合估计。本算法运用网络共识策略来提升传感器网络中全局估计精度,从而达到全局一致估计结果。4.针对大规模分布式传感器网络中信息获取问题,提出了基于生物机制的传感器协同唤醒策略,实现了面向目标感知的传感器动态自组织与目标估计。该算法与现有基于传染病模型不同,从个体角度细化设计了其内部病原体免疫机制,引入被感染后免疫细胞响应和免疫记忆进一步描述感染个体自身行为。算法包括六个子过程:“直接感染和交叉感染发生概率”、“直接感染和交叉感染免疫/免疫缺失”、“直接感染和交叉感染病毒量”、“免疫系统生成”、“免疫记忆”和“病毒量积累”。有效改善了原算法在目标过境后不能及时关机的现象,进一步提高了多传感器网络节点唤醒效率,有效降低了系统能耗。