在非线性系统的状态估计中,不同测量值采样频率不同、过重的计算负荷和某些关键量的测量延时等原因会导致不完全量测现象的出现,非线性滤波算法中如何有效利用不完全量测信息是解决不完全量测下的非线性滤波状态估计的重要手段。目前广泛采用的非线性滤波是容积卡尔曼滤波(Cubature Kalman Filter, CKF),它具有良好滤波性能,特别对于高维非线性系统状态的估计具有较高的精度。发酵过程是典型的复杂高维非线性系统,在非线性滤波算法中有效利用发酵过程中的延迟测量等不完全量测信息是提高发酵过程状态估计精度的关键。因此,研究不完全量测下CKF滤波算法及其在发酵过程中的应用具有重要的理论意义和工程实用价值。本文在分析自适应鲁棒非线性滤波方法基础上,给出了一种自适应鲁棒平方根CKF算法(adaptive robust square-root CKF,ARSCKF),有效克服了模型不确定性和噪声统计特性不正确对滤波性能的影响；研究了不完全量测下滤波理论和方法,结合采样点扩维方法提出了一种量测滞后下的CKF算法,该方法能有效利用量测滞后数据提高状态估计精度,可以用于采样时间和延时时间都不确定的量测滞后数据；将量测滞后下的自适应鲁棒SCKF滤波算法应用到发酵过程状态在线估计中。仿真实验表明,自适应鲁棒SCKF算法具有鲁棒性和噪声自适应性,状态估计精度和滤波稳定性较高；所提出的不完全量测下的CKF算法能有效利用采样时间和延时时间不定的量测滞后数据提高关键变量估计的精度,计算量较小；将量测滞后下的自适应鲁棒SCKF算法应用到发酵过程状态估计中,取得了良好的效果,为解决发酵过程状态在线估计提供了一种新的方法。