状态估计是估计理论的一个重要组成部分，在国防科技和国民经济领域有着广泛的应用。卡尔曼滤波是线性高斯系统最优状态估计方法，而无迹卡尔曼滤波(UKF)正逐渐成为处理非线性滤波问题的有效方法和研究热点，多模型估计法是机动目标跟踪的有效方法。实测数据中含有大量的不确定性，此处的不确定性即是指如传感器在杂波环境中产生的错误测量值、传感器暂时失效等原因导致的测量数据丢失等非量测噪声所含的特性，若采用标准滤波估计方法，滤波器的性能将会大大降低甚至导致结果发散。　　本文基于以上出发点，首先针对非线性系统介绍了随机无迹卡尔曼(RUKF)滤波方法，RUKF算法可消除UKF方法的系统误差，提高估计精度。其次从交互式多模型(IMM)估计方法的特点出发，提出用IMM估计方法来对有测量数据丢失的系统进行估计。IMM模型集中包含两个子模型集，最终的估计结果基于两个模型集的估计进行融合得到，改善估计器在测量信息丢失情况下的稳定性，同时得到较好的估计结果。将该算法应用于机动目标跟踪同样可以得到良好的跟踪效果。仿真结果表明在测量信息丢失的情况下，基于IMM的估计方法具有优于传统单模型估计方法的估计性能.