近年来,随着大规模传感网络技术的发展,分布式协同技术被广泛应用于各种移动定位和跟踪场合中,如多机器人协同目标跟踪、雷达组网协同目标跟踪以及无线传感网络协同定位等。针对其中实际存在的目标和感知特性非线性时变、噪声特性未知甚至数据异常的问题,现有的噪声自适应估计方法由于数据量有限等原因已不再适用,因此研究分布式传感网络的噪声自适应滤波算法是十分重要的。本研究成果来源于973计划项目和国家自然科学基金对分布式传感网络未知噪声特性下的协同定位和目标跟踪需求,在总结归纳国内外噪声自适应估计技术、分布式估计技术、异常数据检测技术和传感器调度技术相关研究成果的基础上,以提升状态和噪声的估计精度、实时性以及对异常观测的鲁棒能力为目的,着重研究了噪声特性参数分布式估计、异常数据检测以及传感器调度等内容。首先,针对线性时不变系统未知过程（或观测）噪声协方差阵下的状态估计问题,提出了分布式自协方差最小二乘估计算法。该算法包含噪声协方差分布式估计和信息分配系数设计两部分,提高了状态和噪声协方差阵的估计精度和实时性能,以及对异常观测的鲁棒能力。通过理论上的精度分析以及在静态和动态两种传感网络拓扑下的仿真结果表明,与传统噪声协方差估计算法相比,所提算法可以获得更优异的估计精度和实时性。在多机器人协同目标跟踪系统的实验结果表明,所提算法在保证估计精度和实时性的同时,也提高了对异常观测的鲁棒能力。其次,针对非线性系统未知过程噪声协方差阵下的状态估计问题,提出了一种基于加权代价函数优化的分布式卡尔曼滤波算法。该算法包含了能够利用过程噪声协方差刻画估计偏移和振荡特性的加权代价函数设计和优化求解、传感器选择、异常数据检测和滤波器重构四部分,提高了状态和噪声协方差阵的估计精度和实时性,降低了算法的计算和通讯负担,解决了由于目标强机动和节点链路失效带来的异常数据和低探测速率问题。此外,该算法还与局部概率数据关联算法结合,解决了多目标跟踪任务中的数据关联匹配问题。在1维信号、2维独轮车和多独轮车跟踪场合下的仿真结果表明,与传统噪声协方差估计算法相比,所提算法可以获得更优异的估计精度和实时性能。在高速目标雷达组网协同跟踪系统的实验结果表明,所提算法在保证估计精度和实时性的同时,也提高了对异常数据的检测能力和初始时刻的跟踪精度。然后,针对线性时变系统未知非高斯观测噪声分布参数下的状态估计问题,在增量式、分散式和一致式三种典型的分布式传感网络下,提出了一类快速变分贝叶斯的分布式滤波算法。该算法包含了Student分布的噪声特性参数的分布式估计以及基于观测噪声分布Cramér-Rao下界推导的传感器选择两部分,提高了状态和噪声特性参数的估计精度和实时性,降低了分散式和一致式网络拓扑下的通讯和计算负担。在增量式、分散式和一致式网络跟踪场合下的仿真结果表明,所提算法可以获得优异的估计精度和实时性。最后,针对分布式传感网络协同定位中由于非视距和多径传播引起的测距不准问题,基于前一部分提出的噪声特性分布式自适应滤波算法和分散式网络下传感器选择方法,提出了一种新的对异常测距鲁棒的三边定位法。该算法包含了测距误差的Cramér-Rao下界计算、传感器选择、锚圆交点判定和基于置信区间的距离补偿四部分,解决了测距不准造成的锚圆存在两交点和锚圆相交不上问题。本算法在超宽带室内定位系统上完成了软件设计和实施,实际应用结果表明,相比传统三边定位法,所提算法可以获得优异的估计精度和对异常测距的鲁棒能力。