动态系统的估计问题广泛存在于自动驾驶、目标跟踪、语音信号处理以及信息融合等领域。以贝叶斯估计理论为基础的高斯近似估计器,因计算量适中、易于实现且满足大多数动态系统对状态估计精度的要求,在过去几十年受到了广泛的关注,并逐步成为解决航空航天工业中状态估计问题—如飞行器导航、气动力模型辨识、故障诊断以及飞行目标跟踪等的利器。然而,在当下日益复杂的应用环境中,高斯近似估计算法的性能面临越来越严峻的挑战,尤其是在动态系统的感知系统因自身故障、外界强干扰以及通信质量差等原因得到质量差的野值时。鲁棒估计算法的提出,旨在提高高斯近似估计器抗野值的性能。但是,现有的鲁棒算法体系不完善、设计过程复杂,在当前复杂应用环境中难以满足动态系统对状态估计值高精度的需求。本文以拓展鲁棒估计理论的框架、简化设计过程、提高算法对复杂动态系统的适用性为目标,主要做了如下工作:（1）介绍了用贝叶斯估计理论求解动态系统估计问题的一般过程,且在假设动态系统扰动为高斯分布的情形下,给出了高斯近似滤波/平滑器（GKF/GKS）的设计框架;利用正交容积Sigma点推导了高阶求容积Kalman滤波器和平滑器,并通过一个飞行器气动参数辨识的范例验证了此类算法相比于现有同类算法的优越性;通过数值仿真证实了GKF/GKS在遇到野值时性能会变差,并从理论上分析了造成这一事实的原因。（2）提出了一种基于Huber罚函数的鲁棒平滑算法,并进一步地研究了构造鲁棒罚函数对应代理函数的一般方法,给出了设计基于M估计理论鲁棒平滑算法的一般方法。将GKS优化问题中的二次罚函数替换为Huber罚函数,建立了基于Huber罚函数鲁棒平滑器的优化问题;利用Huber罚函数的代理函数,通过最大值极小化算法（MM）将上述鲁棒平滑优化问题转换为噪声方差重加权的GKS,以迭代方式求解得到鲁棒Huber平滑器;将上述设计方法推广到M估计理论中的其它罚函数,研究了设计代理函数的一般方法,提出了基于M估计理论的鲁棒平滑器的统一设计框架;在飞行器纵向短周期气动力参数辨识问题中的成功应用验证了此类鲁棒算法的有效性。（3）研究了利用重尾分布,尤其是Laplace分布和学生t分布,对测量噪声建模时鲁棒滤波平滑算法的设计方法。根据最大后验概率密度估计准则,构造了Laplace鲁棒滤波/平滑算法和学生t鲁棒滤波/平滑的优化问题,即混合（?）1/（?）2与log/（?）2优化问题;利用杨氏不等式和对数不等式分别构造（?）1罚函数和log罚函数的代理函数,在MM算法框架下推导了Laplace鲁棒滤波/平滑器和学生t鲁棒滤波/平滑器;通过再入轨飞行器导航以及火星探测器自主着落导航的数值仿真,验证了基于重尾分布的鲁棒算法在估计测量值中含有野值的动态系统时的有效性。（4）研究了利用信息论学习理论中的相关熵和混合相关熵概念设计鲁棒算法的一般方法。在最大相关熵准则下,提出了鲁棒滤波器和平滑器的统一结构,从理论上分析了这类算法的收敛性;为解决由最大相关熵准则得到的鲁棒算法受核函数参数影响大的问题,引入混合相关熵的概念,提出了两种基于混合相关熵的鲁棒滤波算法;通过全电/多电飞机电池管理系统中荷电量的估计问题验证了这些算法的有效性。（5）利用变分贝叶斯近似推理方法,提出了一种基于野值检测—移除思想的新型鲁棒滤波算法,并将其推广至传感器网络动态系统中,设计了抗野值的集中式和分布式信息融合算法。为检测野值,对每一个测量值引入带有beta-Bernoulli先验分布的野值指示变量,并修正原先不考虑野值的测量方程;利用变分贝叶斯推理算法同时估计系统状态和野值指示量,得到基于野值检测—移除思想的鲁棒滤波算法,数值仿真验证了该算法相对于其他鲁棒滤波算法的优越性;将基于野值检测—移除思想的鲁棒滤波器推广到含有多个传感器的网络系统中,提出了集中式和分布式的鲁棒信息融合算法;在多无人机协同地面目标跟踪和飞行器冗余大气传感器信息融合问题中验证了鲁邦信息融合算法的可行性和优越性。