Kalman滤波方法是处理状态估计问题的基本工具。经典Kalman滤波方法要求系统的模型参数和噪声方差是精确已知的。然而，在实际应用中，由于未建模动态和随机扰动等原因，系统模型中往往存在着不确定性，包括模型参数不确定性和噪声方差不确定性，而参数不确定性又包括范数有界参数不确定性和随机参数不确定性（乘性噪声）。此外，由于传感器故障导致的丢失观测现象也经常发生。当系统模型中存在不确定性时，Kalman滤波器的性能会变坏甚至会引起滤波器的发散。这推动了在鲁棒Kalman滤波器设计上的许多研究。所谓的鲁棒Kalman滤波器是指针对由不确定性所形成的一族系统模型设计一个滤波器，使得对于所有容许的不确定性，它的相应的实际滤波误差方差阵被保证有最小上界。　　针对模型参数不确定但噪声方差已知的系统，设计鲁棒Kalman估值器的两种基本方法是Riccati方程方法和线性矩阵不等式(LMI)方法;针对噪声方差不确定但模型参数已知的系统，设计鲁棒Kalman估值器的基本方法是Lyapunov方程方法。目前，对于模型参数和噪声方差都不确定且存在丢失观测的混合不确定系统，信息融合鲁棒Kalman滤波和白噪声反卷积的研究很少。因此，本论文针对这类混合不确定系统，研究其信息融合鲁棒Kalman滤波和白噪声反卷积问题。　　对于带混合不确定性的多传感器系统，本文主要研究内容如下:　　第一，提出了基于虚拟噪声和Lyapunov方程的极大极小鲁棒Kalman滤波方法，它可解决混合不确定多传感器系统的鲁棒融合估计问题;提出了一种基于鲁棒Kalman预报器来设计鲁棒Kalman滤波器和平滑器的鲁棒估值器设计方法;提出了一种用于鲁棒性证明的增广噪声方法和非负定矩阵分解方法。　　第二，应用上述极大极小鲁棒Kalman滤波方法，针对带乘性噪声和不确定噪声方差，且观测与过程噪声线性相关的不确定多传感器系统，提出了局部和六种信息融合鲁棒时变和稳态Kalman状态估值器（预报器、滤波器和平滑器），其中融合估值器包括按矩阵、按对角矩阵和按标量三种加权状态融合鲁棒估值器、一种改进的协方差交叉(CI)融合鲁棒估值器、集中式和加权观测融合鲁棒估值器。针对带乘性噪声、丢失观测和不确定噪声方差，且观测与过程噪声不相关或线性相关的混合不确定多传感器系统，提出了局部、集中式和加权观测融合鲁棒时变和稳态Kalman状态估值器，以及一种鲁棒加权最小二乘滤波器。对于所提出的上述鲁棒局部和融合估值器，分别证明了它们的鲁棒性，分析了它们之间的精度关系，数值等价性和计算复杂性。特别是当传感器数目较大时，同鲁棒集中式融合器相比，鲁棒加权观测融合器可显著减小计算负担。应用自校正Riccati方程的收敛性和动态误差系统分析(DESA)方法证明了时变与稳态鲁棒估值器之间的三种模式按实现收敛性。　　第三，应用上述极大极小鲁棒Kalman滤波方法，针对仅噪声方差不确定且观测与过程噪声不相关的多传感器系统，提出了局部和六种信息融合鲁棒稳态白噪声反卷积平滑器。针对带乘性噪声、丢失观测与不确定噪声方差且观测与过程噪声线性相关的多传感器系统，提出了鲁棒集中式和加权观测融合时变和稳态白噪声反卷积估值器（滤波器和平滑器）。证明了白噪声估值器的鲁棒性，等价性，精度关系以及时变与稳态估值器之间的按实现收敛性，并分析了它们的计算复杂性。　　应用于自回归(AR)信号、弹簧-质量-阻尼系统、不间断电力系统、连续搅拌釜式反应器系统，以及IS-136移动通信系统的若干仿真例子验证了所提出理论结果的正确性、有效性和可应用性。