航空航天、军事防御、机器人技术和自动化系统中,通常都含有多种同类或异类传感器,它们可以提供大量、全面和互补的信息。在分布式融合中,融合中心接收各传感器的局部估计,并在某一融合准则下将局部估计融合为最优估计。为求最优加权,需计算局部估计误差互协方差阵。系统的维数越高,计算的复杂度越大,耗时越长,不便实时应用。而且通常情况,估计误差间的互相关性是未知的。最近,协方差交集算法被提出用来融合没有任何相关性知识的估计量,它比线性组合算法具有更强的鲁棒性并且给出估计精度的边界。　　 本文首先详细介绍两变量和多变量的协方差交集算法,进而提出改进的分量协方差交集算法,并推广到多变量情形。然后,进行一致性证明,给出加权系数ω的求解方法。最后,将协方差交集算法和分量协方差交集算法应用到基于经典Kalman滤波方法和现代时间序列分析方法的分布式信息融合状态估计中,提出多传感器信息融合次优稳态Kalman估值器和基于ARMA新息模型的次优稳态估值器,并与三种最优加权信息融合算法进行计算量和精度上的比较。仿真研究表明,次优加权融合估计的精度高于各局部估计,也具有很好的跟踪效果,与最优融合估计接近,且可以明显减小计算负担。