不确定观测系统普遍存在于许多实际应用中,例如在网络控制系统和无线传感器网络中,由于环境的影响和通信网络的不可靠性,可能会导致观测数据丢失。这样体现在观测方程中就会存在观测不确定性。本论文主要研究观测数据丢失现象可通过一个Bernoulli分布的随机变量来描述的系统。将对具有不确定观测的多传感器离散随机线性系统,开展分布式信息融合估计算法的研究。主要研究内容包括分布式信息融合白噪声估值器、状态估值器及传感器观测带未知干扰的状态估值器。基于新息分析方法,对带相关噪声的不确定观测离散随机线性系统,提出了基于单传感器系统的白噪声线性最小方差最优白噪声估值器,包括输入白噪声估值器和观测白噪声估值器。同时,在系统稳定的条件下给出了稳态白噪声估值器。并进一步基于稳态Kalman估值器给出了统一的渐近稳定的Wiener白噪声估值器。最后,对多传感器不确定随机系统,基于分布式线性最小方差加权信息融合估计算法,给出了分布式加权融合输入白噪声估值器,并推导了任两个传感器子系统之间的估计误差互协方差阵的计算公式。为了与集中式融合估计进行精度和计算量的比较,我们也给出了集中式融合估计算法。基于新息分析方法,对带相关噪声的不确定观测离散随机线性系统,基于单传感器系统提出了线性最小方差最优和稳态状态估值器。同时,基于稳态Kalman滤波器给出了统一的渐近稳定的Wiener状态估值器。另外,对同时刻及相邻时刻噪声相关的不确定观测随机系统,提出了基于单传感器的状态估值器。进而对多传感器系统推得了任两个传感器子系统之间的估计误差互协方差阵。然后应用分布式加权信息融合算法,获得了分布式加权融合状态估值器,并将分布式融合与集中式融合进行了精度比较。对传感器带未知干扰输入的不确定观测随机系统,首先,基于单传感器提出了不依赖于未知干扰输入的线性无偏最小方差状态滤波器,包括先验滤波器和后验滤波器。进而,对多传感器系统推得了任两个传感器子系统之间的滤波误差互协方差阵。最后,基于分布式加权融合估计算法,给出了多传感器分布式加权融合状态滤波器,并将分布式融合估计与增广的集中式融合估计进行了比较研究。