滤波器设计方法与技术一直是学术领域研究的热门课题之一,近些年来已得到了长足的发展。目前,虽然以线性卡尔曼滤波器设计为基础的理论和方法已形成一个较完整的体系结构,但现有面对非线性系统所设计出的卡尔曼滤波器,常随非线性程度的增强,而性能在逐步退化;以函数近似为主的扩展卡尔曼滤波和强跟踪滤波,无法在根本上解决由于舍掉泰勒展开式的高阶项带来的线性化误差;以采样近似为主的无迹卡尔曼滤波不关注具体的函数形式,只对函数的概率密度分布进行采样近似,但这种“黑盒”处理方式的参数选择问题仍没有得到完全解决;以上问题严重影响了其在实际中的应用。为此,本论文以三种典型的强非线性系统为对象,分别设计出相应的高阶卡尔曼滤波器,以改善现有滤波器在面对强非线性系统所呈现的性能不足现象。（1）针对一类由线性项与非线性项累加组成的强非线性系统,首先将强非线性项定义为系统原始变量的隐变量;其次,建立隐变量的线性动态模型,构建由原始变量和隐变量张量生成的扩维空间;然后,建立以原始变量和隐变量为基础的线性系统模型,从而设计出该类系统的高阶扩维卡尔曼滤波器。（2）针对一类由线性项和可因式分解的非线性项累积组成的系统,首先,将分解后的每个非线性乘子定义为系统待估的隐变量,建立隐变量的动态关联模型;然后,依次建立关于隐变量、系统参数和状态的线性状态模型和线性测量模型;最后,逐步设计用于估计系统隐变量、参数和状态的卡尔曼滤波器组。（3）针对一类强非线性的输入输出系统,建立一种基于卡尔曼滤波器的参数辨识方法。首先,将输入输出方程中的乘性参数和乘性非线性函数定义为不同的隐变量;然后,用随机游走形式分别建立隐变量的动态模型,并设置建模误差的统计特性;最后,依次设计用于估计系统隐变量、乘性参数和复合函数中参数的卡尔曼滤波器组。