多传感器网络是一种综合了多种技术的新型传感器部署模型,由大量部署在一定范围内的带有计算能力的传感器组成,能够去中心化并且相互协同地完成指定的任务,具有很强的稳定性和扩展性。多传感器网络的一个最基本的应用便是分布式的估计或追踪。作为一种被广泛应用并有多种扩展方法的数据滤波技术,卡尔曼滤波被研究者进行分布式化将其转化为分布式卡尔曼滤波,通过与邻居节点交互信息使其可以应用于多传感器网络的分布式环境中。传统的卡尔曼滤波是定义在高斯分布下的最优滤波器,对于非高斯噪声,尤其是冲激噪声效果非常差,分布式卡尔曼滤波只是简单的分布式扩展版本,因而同样具有这个问题。同时,在许多实际场景中冲激噪声类的非高斯噪声出现得非常普遍,如目标跟踪和数字通信,因此一直以来都有很多关于使卡尔曼滤波在这种噪声环境下工作的研究。近年,有学者提出最大相关熵卡尔曼滤波器,这种算法在非高斯环境下,特别是在脉冲噪声下的性能优于传统的卡尔曼滤波器。本文通过将最大相关熵卡尔曼滤波进行分布式化推导出分布式最大相关熵卡尔曼滤波,这种分布式卡尔曼滤波在分布式环境下能够有效地应对非高斯噪声。找到一种合适共识策略使得系统在协同工作的同时保持信息的一致性是分布式估计的一个基本问题。多传感器网络之间的自主化协作需要满足高精度与一致性,但是各个传感器所处位置不同,网络拓扑不同,受到的干扰情况也不尽相同,使得分布式的估计算法在各个传感器上往往在一定范围内不尽相同。分布式卡尔曼因为只能和邻接节点进行交互,一个传感器的信息仍旧是局部信息,于是需要在算法上做特殊处理,使得局部的信息能够尽可能快地与其他的局部信息进行综合并达成一致,这即是共识算法的作用。本文应用共识理论到分布式最大相关熵卡尔曼滤波器当中,首先将现有的几种传统共识策略引入到分布式的相关熵卡尔曼滤波器当中,然后提出了一种基于相关熵代价函数的加权一致性策略,并证明了以上共识方法的有效性。仿真结果表明,该算法有效地降低了节点间的状态差异。