传感器数据融合在军事和民用两个方面都有着广泛的应用.传感器通过接收到的混杂着噪声的信号数据,在无偏差最小方差意义下估计原始信号数据.在多传感器的情况下,数据通过融合以提高估计的准确性.但是在数据的观测过程中,传感器也会受到外界一些不确定因素如噪声等的干扰,从而降低了数据估计的准确性.为了更好地从这些不确定因素的影响中提高估计的准确性,需要引入传感器数据融合中的鲁棒性研究.本文考虑对离散系统、连续系统两种情形下的传感器数据融合的鲁棒性研究,主要内容如下：第一章为绪论.本章介绍了最优控制、卡尔曼滤波及传感器数据融合的国内外研究现状.第二章考虑了离散系统下的鲁棒传感器数据融合问题.具体而言,该问题中的一组传感器受到了外界的不确定性干扰.在这些不确定性影响下通过传感器接收到的数据进行融合后,准确估计原始未知信号.我们把这个问题转化为极小最优控制问题,它等价于在一个动态系统驱动下的半无限规划问题.一般的离散化方法求解此类问题时的计算规模非常大.我们提出了一个近似方法,减少了约束的个数,从而降低了计算复杂度.我们举了两个数值例子以说明方法的有效性.第三章考虑了连续系统下的鲁棒传感器数据融合问题.类似于离散情形,传感器系统是连续的但存在着不确定的参数.在这些不确定性影响下通过传感器接收到的数据进行融合后,准确估计原始未知信号.我们建立了连续系统下的传感器数据融合鲁棒性问题,然后把这个问题转化为一个等价的受一个动态系统驱动的半无限规划问题.最后,我们通过引入近似方法,减少了约束个数,降低了计算复杂度,并且通过最优控制软件MISER3计算了两个数值例子,说明了该方法的快速性和有效性.第四章对本文的研究进行总结并对后续的研究工作做出了展望.