状态估计是一种基于状态空间模型的动态估计方法，它能够从带有噪声和随机干扰信号的量测信息中估计出系统状态。随着现代航空、航天、航海事业的快速发展和网络化、信息化的普及，状态估计已经成为国防和民用领域的研究热点。传统的状态估计方法通常假设系统处于理想状态。然而，由于人们认识的局限性、设备的复杂性以及环境的多变性，任意一个实际系统都会存在不同程度的不确定性，理想条件无法严格满足。此时，如果在非理想条件下采用传统的状态估计方法进行估计，显然无法获得理想的效果。因此，为了获取适用性更强、精度更高的状态估计方法，本文在前人工作的基础上，围绕一类由不确定性引起的非理想条件下的状态估计问题展开研究，重点考虑噪声统计特性未知、具有随机时滞、模型跳变和模型带有未知参数四种情况，并通过状态估计的典型应用——目标跟踪进行仿真实验，验证所提算法的有效性。主要研究内容如下：
　　分析了噪声统计特性未知对状态估计的不利影响，从高斯滤波入手，基于期望极大化方法设计了能够在线估计噪声未知统计特性的自适应非线性高斯滤波算法，为解决噪声统计特性未知问题提供了一个通用的高斯滤波框架；采用球径容积变换规则实现自适应非线性高斯滤波算法，提出了一种自适应平方根容积卡尔曼滤波(Adaptive Square-root Cubature Kalman Filter，ASCKF)算法；通过单变量非静态增长模型验证了所提ASCKF算法在过程噪声统计特性未知的情况下能够保证估计精度；通过目标跟踪模型验证了所提ASCKF算法在量测噪声统计特性未知的条件下仍能保持较小的跟踪误差；通过目标跟踪模型对比自适应扩展卡尔曼滤波算法、自适应无迹卡尔曼滤波算法以及ASCKF算法的性能，验证了所提自适应非线性高斯滤波框架的可靠性。
　　考虑具有随机时滞的状态估计，利用Bernoulli分布建立了含有随机量测时滞的状态空间模型，先推导了能够处理两步随机量测时滞的非线性高斯滤波算法，进一步设计了具有任意步随机量测时滞的高斯滤波框架；为实现上述非线性高斯滤波算法，提出了能够具有两步随机量测时滞的无迹卡尔曼滤波(Unscented Kalman Filter，UKF)算法；并结合关于噪声统计特性未知情况下状态估计问题的研究，针对系统中同时包含一步随机量测时滞与量测噪声统计特性未知的情况，提出了具有未知量测噪声和随机量测时滞的UKF算法；通过目标跟踪系统验证了所提算法的有效性，仿真结果表明所提的两种算法均能达到预期效果，获得良好的估计精度。
　　针对模型跳变情况，研究交互式多模型(Interactive Multiple Model，IMM)算法。通过详细分析经典IMM算法的推导过程发现：模型转移概率和模型集的选择是影响IMM算法性能的两个关键因素。首先从模型转移概率入手，采用模糊逻辑的思想设计模型转移概率模块，提出了基于模糊逻辑的交互式多模型(Interactive Multiple Model based on Fuzzy Logic，FLIMM)算法；然后，采用变结构多模型算法解决模型集的选择问题，设计了基于自适应网格的交互式多模型(Interactive Multiple Model based on Adaptive Grid，AGIMM)算法；最后通过目标跟踪仿真实验，验证了FLIMM算法能够缩短模型概率更新所需的时间，获得更高的估计精度；AGIMM算法在复杂机动情况下可以降低计算量，提高跟踪性能。
　　为解决非线性、非高斯系统模型带有未知参数的问题，建立了自组织状态空间模型；由于粒子滤波(Particle Filter，PF)算法存在的粒子贫化会导致估计精度下降以及使用自组织状态空间模型时未知参数易陷入初始取样集，采用萤火虫算法的寻优策略来优化传统PF算法的粒子分布，提出了基于萤火虫算法的智能粒子滤波(Firefly Algorithm-based Particle Filter，FA-PF)算法；分别对模型参数完全已知和模型含有未知参数的目标跟踪系统进行仿真实验。仿真结果表明FA-PF算法不仅抑制了粒子贫化的带来的不利影响，而且通过萤火虫寻优策略的优化，使粒子向真实的后验分布移动，有效地避免了未知参数陷入局部最优，使未知参数的估计值向真实值“移动”，最终获得了较高的跟踪精度。