面向复杂环境的机动目标跟踪、网络化系统控制、多传感器非集中式定位跟踪等动态系统状态估计与融合越来越呈现出多模态、非线性、噪声相关、加性和乘性噪声共存、网络化、分布式结构等诸多不确定参数耦合特性。通过跳变马尔可夫过程刻画多模不确定,相应系统往往转化为伴随跳变马尔可夫过程的不确定参数耦合系统。因此,在跳变马尔可夫过程下,研究并发展一系列不确定参数耦合系统的状态估计与融合处理方法具有重要的理论意义和实际应用价值。本论文基于跳变马尔可夫过程,围绕动态系统状态估计与分布式融合这两个具有一般意义的科学问题,开展了以下研究:1.针对具有随机系数矩阵的跳变马尔可夫线性系统,推导了线性最小均方误差(Linear minimum mean square error,LMMSE)估计,分析了所推导的估计器稳定性。基于所推导的LMMSE估计,通过重构随机系数矩阵下的量测方程,给出了杂波环境下机动目标跟踪状态估计与数据关联一体化处理框架。在高斯和Glint噪声下单机动目标和双机动目标跟踪中,所提算法可以获得比相应交互式多模型概率数据关联及交互式多模型联合概率数据关联算法更高的估计精度。2.针对服从一阶自回归过程的有色量测噪声下跳变马尔可夫系统,通过寻找左零矩阵,重构了包含双跳变马尔可夫参数且仅受高斯白噪声扰动的量测方程,在定义包含双跳变马尔可夫参数所有可能取值的假设集基础上,给出了状态估计的后验概率密度递推,通过删除权值微小的高斯分量,实现了基于Kullback Leibler距离度量的后验概率密度自适应高斯和递推近似。在距离门拖引扰动下的机动目标跟踪中,所提算法在考虑有色量测噪声下可以获得比相应交互式多模型和跳变马尔可夫非线性系统高斯和滤波算法更高的估计精度。3.针对互相关噪声跳变马尔可夫随机参数矩阵系统,在多传感器集中式框架下,推导了相应系统的LMMSE估计及其均方根阵列实现,结合一致性策略,给出了所考虑系统的分布式估计融合及其均方根阵列实现,并讨论了一致性策略的收敛条件和收敛点。在传感网下的机动目标跟踪中,所提算法在乘性噪声和互相关噪声共存下获得了比相关跳变马尔可夫系统LMMSE估计更好的估计精度。4.针对包含传感网、传输网和处理网的网络化非线性系统,考虑伴随服从跳变马尔可夫过程的多拍量测随机延迟,基于随机延迟后验概率在线估计,设计了单处理单元下的高斯递推滤波,通过各邻接节点间利用一致性策略共享信息,给出了处理网下的分布式高斯一致性算法。在量测一步和两步随机延迟的情况下,所提算法在单处理单元和分布式处理网中皆获得了比相应量测随机延迟的无味Kalman滤波更高的估计精度。5.针对传感网下具有量测随机延迟衰减和乘性噪声的非线性系统,基于合理的高斯混合后验概率近似,实现了单处理单元下的高斯混合滤波递推,基于非线性量测方程的统计线性回归并结合一致性策略,提出了分布式高斯混合信息滤波算法。在单处理单元和分布式处理网中,所提算法在量测随机延迟、信道衰减及乘性噪声共存下获得了比量测随机延迟的高斯近似滤波算法更高的估计精度。