多源信息融合是一种多层次、多方面的处理过程,包括对多源数据进行检测、相关、组合和估计,从而提高状态和身份估计的精度。因其具有探测精度高、扩展性好、可信度高、获取信息成本低等优点,被广泛应用于现代军事和多种民事领域,对现代科技发展和人民生活提高起到很好地推动作用。在众多领域中,多源信息融合理论在军事背景下的机动目标状态估计方面起到的作用尤其明显。本文以多源信息融合理论为基础,针对机动目标状态估计中的部分问题进行研究,主要贡献如下:针对单传感器量测自举分布式卡尔曼滤波中自举量测集合易受到量测噪声不确定影响的问题,结合多传感器量测系统的物理特性和单传感器量测自举分布式卡尔曼滤波中自举量测生成机理,提出多传感器量测自举分布式卡尔曼滤波算法。该算法构建了多传感器系统下的自举量测集合,将量测自举策略的应用范围由单传感器扩展到多传感器系统,通过对多传感器量测中冗余和互补信息的提取与利用消除量测噪声不确定的影响,实现被估计系统滤波精度的提升。进而,在自举量测的采样过程中引入选择性采样策略,通过提高滤波过程中自举量测可信度,进一步改善算法对系统状态的估计精度。实验表明,与只使用真实量测的分布式卡尔曼滤波算法相比,新算法具有更小的均方根误差,实现了对目标状态的更准确估计。针对卡尔曼一致滤波的线性估计约束问题,通过容积卡尔曼滤波和一致性策略的动态结合,提出一种容积卡尔曼一致滤波算法。新算法采用分布式融合机制,传感器节点采集可通信相邻节点的信息,并作为自身传感器节点的量测信息应用于容积卡尔曼滤波器,获取局部状态估计值。在此基础上,利用一致性策略实现对整个量测系统中传感器节点局部估计值的优化,进而通过增强传感器节点估计值一致性实现目标状态估计精度的提升。相对于卡尔曼一致滤波算法,新算法将一致性策略推广到非线性系统状态估计领域。针对不完全量测问题,在两传感器获取量测信息的背景下,提出不完全量测下的量测重构分布式卡尔曼滤波算法。首先,在采样序列奇偶性与量测信息交换的一一映射基础上,生成两传感器新量测集;进而,基于该量测集,分别构建两传感器的卡尔曼滤波器,并结合分布式加权融合技术获取目标状态估计。实验表明,与分布式卡尔曼滤波算法相比,在不增加硬件代价的基础上,新算法更好的利用了量测信息,在均方根误差方面具有明显的提升,提高了滤波精度。