随着计算机和通信技术的高度发展，计算机网络技术被越来越多的应用到现代控制系统中以实现对控制对象的远程安装、控制、维护等。然而受到各种通信技术、电子技术等的特性影响，计算机网络技术会受到很多制约，比如有限的通信带宽、节点能量及动态拓扑等。这些制约因素使得现代控制系统在数据的采集、传输、处理中会出现各种问题，比如丢包、延时、异步及信号衰减等，从而导致系统收到大量的不完整信息，进而影响其性能。现代控制系统在享受计算机网络带来的技术变革的同时，也要降低不完整信息对其性能的影响。本文针对这一现象提出了一系列的滤波、数据融合状态估计算法，并分析了所提算法的稳定性或性能。本论文具体内容概述如下：第2章简要的介绍了滤波和数据融合状态估计的一些基础知识和常用算法：投影定理、卡尔曼滤波、信息滤波、改进卡尔曼滤波、联邦卡尔曼滤波和信息融合滤波。第3章基于一个伪量测模型给出了一个最小方差意义下的最优滤波器、预测器和平滑器，同时给出了所设计滤波器收敛的充分条件。本章利用两个独立的伯努利变量对网络系统延时和丢包过程进行建模，在此基础上提出了一个伪量测模型。通过对伪量测模型使用投影定理，得到一个最优滤波器、预测器和平滑器。本章所提算法只与延时和丢包过程的统计规律即两个伯努利变量的分布有关，而与其具体的取值无关，因此可以离线设计。最后通过仿真验证了本章所提算法的有效性。第4章针对多传感器多通道网络化系统的延时问题，分别在集中式和分布式两种框架下，给出了一个最优的集中式融合算法和一个次优的分布式融合算法。本章利用一定长度的存储器对系统数据进行重新排序并用一个独立同分布的变量对延时过程进行建模。在集中式结构中，利用量测扩维的方法得到一个最优的集中式融合算法。在分布式结构中，利用联邦卡尔曼滤波对来自不同传感器的局部状态估计值进行融合，得到一个带缓存器的次优分布式融合算法。最后分析了系统的稳定性。数值仿真说明了所提理论的正确性和有效性。第5章在上一章工作的基础上，结合卡尔曼滤波和信息滤波，提出了一种新的带缓存器的集中式数据融合状态估计算法，同时从概率的角度给出了一个新的衡量系统性能的指标，并在该指标下分析了系统性能与缓存器长度的关系。本章集中式数据融合算法没有使用状态或量测扩维，因此能有效的避免大矩阵运算，尤其是大矩阵逆运算，从而在保证最优性的同时，降低了系统计算负担，提高了运行效率。数值仿真验证了本算法的有效性。第6章提出了一个混合数据融合结构，并基于该结构提出了一种最优融合状态估计算法，使得来自不同传感器的量测值得到了有效融合。该最优状态估计通过一次预测和两次更新得到。首先利用具有最高采样率的传感器（对应最细尺度）观测到的数据对状态预测进行更新，然后利用较低采样率的传感器（对应较粗尺度）量测值进行再次更新，如此顺序进行，从而在最细尺度下得到一个融合状态估计。此过程中不需要不同传感器的采样率比为2的倍数，而且不需要扩维，因此应用的系统更为广泛，同时能有效的减少计算量。最后证明了所提算法的稳定性。理论分析和仿真结果证明了该算法的有效性。