随着微机电技术的发展,传感器的性能大大提高,各种面向复杂应用背景的多传感器信息系统大量涌现。在这些系统中,信息日渐多元化和密集化,使得传统的信息处理方式不再胜任,从而促使一项新的学科——多传感器数据融合技术应运而生,而状态融合估计作为多传感器数据融合理论的一个非常重要的研究方向,在需要精确估计的领域应用受到广泛的关注。本文的研究内容为多传感器信息融合理论中的状态估计理论,研究如何利用多传感器的信息更准确的估计系统状态,主要针对多传感器管理和状态融合估计的算法作了比较深入的研究。本文首先通过分析目前存在的传感器管理算法,建立了一个综合传感器信息增量和处理时间的目标函数,提出了基于QDPSO(Quantum-behaved Particle Swarm Optimization)算法的新的传感器管理的算法模型。在经过传感器管理择优的传感器组基础上,论文提出了一种基于最大熵算法和Bayes理论的多次测量数据融合算法,推导出了被测参数的概率分布和融合公式。接着,论文针对Bayes理论和最大熵算法需要知道先验分布的局限性,提出了一种基于递推最小二乘的同质传感器数据融合方法,在兼顾传感器自身精度和外部干扰综合作用的前提下,推导出了多个同质传感器对同一参数多次测量的融合公式,该公式既保留了历次估计的经验值,又融合了新的信息。最后,把基于递推最小二乘的同质传感器数据融合算法推广为一种基于加权最小二乘法的异质传感器数据融合方法,得到了多个异质传感器对多个测量参数进行融合估计的加权融合公式。