现阶段,无线传感器网络(WSN)的定位、监控、追踪技术已广泛应用到军事、农业生产、辅助工业生产、基础设施状态监控、智能交通系统、医疗系统、生态监控、智能家居等领域之中。基于传感器网络的分布式估计问题是定位、监控和追踪的基本问题,是当前的研究热点。目前,一致性协议广泛应用于分布式估计算法的设计。本文研究传感器网络中基于一致性的分布式估计和目标跟踪算法。传统的一致性问题的讨论大多基于网络拓扑的邻接矩阵和拉普拉斯矩阵,但是计算拉普拉斯矩阵特征值需要整个网络拓扑的连接信息和权重值,若设计权重来配置拉普拉斯矩阵特征值则更加复杂。在不同的网络拓扑中,通信权重对于目标状态的观测和跟踪有着不同的影响。论文一方面着重研究传感器网络基于一致性的卡尔曼滤波算法中权重的分布式设计问题。另一方面研究基于分布式观测器的分布式目标跟踪算法。主要工作如下:1、传统文献中基于网络结构的拉普拉斯矩阵设计的权重设计的前提是目标节点在无线传感器网络的拓扑结构中必须全局可达。本文主要研究了对于静态传感器网络基于图论最小路径算法(如Dijkstra算法,Floyd算法,Bellman-Ford算法等),获取最短路径并基于此设计权重矩阵。该权重设计算法简单且高效,并且能够将传感器网络的结构信息应用到一致性的估计和滤波中,提高了一致性算法的精确性。2、对于分布式滤波算法的选择,传统意义的无领导节点的滤波算法在处理数据时没有对传感器节点的真实测量情况进行分类,而是用相同的处理算法。本文采用了领导-跟随(leader-follower)节点的滤波方案,对于领导节点(能够直接观测到目标的节点),使用卡尔曼滤波器(Kalman Filter),这是线性系统最优状态滤波。而对于跟随节点,本文基于前面的权重的设计,采用加权平均的一致性滤波的算法,并分析给出了权重中调节参数的条件。在领导-跟随节点模型的分布式滤波的基础上进一步提出了跟随节点分级的滤波算法模型,对于跟随节点根据到达目标节点的最短路径做一次最优剪枝。从而达到跟随节点滤波时只参考跟随等级小于等于该跟随节点的信息的加权交互。这样的设计减小了估计误差,并且加快了收敛速度。3、考虑到现实生活中的网络不可避免地存在网络时延、丢包甚至节点故障的问题,本文研究了通信时延对于目标状态的估计以及跟踪的影响,引入时延补偿机制设计一致性卡尔曼滤波算法,减少时延的不利影响。同时基于最小路径方法设计了权重,并分布式给出了使得算法收敛的权重参数的条件。并且通过仿真实验的形式直观地给出滤波结果的对比。4、研究目标系统中存在未知的周期信号时的分布式估计和目标跟踪问题。采用基于分布式观测器的目标跟踪算法,将对于目标观测与目标的跟踪的证明分开进行。首先,利用傅里叶级数谐波展开对未知输入信号建模,并且将系统进行增广,将傅里叶展开的参数增广为新系统的状态,设计基于一致性的估计算法,使得所有智能体都可以估计出目标的状态和未知输入。接下来,基于对目标系统的观测,构造了模型参考自适应(MRAC)控制算法,设计目标跟踪控制器。