随着计算机技术的飞速发展,非线性系统的理论与技术得到快速发展,并已广泛应用于工程实际中。非线性滤波技术就是对非线性随机系统状态的最优估计,该技术在组合导航、目标跟踪和自动控制等众多军事和民用领域得到了广泛的应用,并已成为这些领域学者研究和关注的热点。由于实际应用中工程系统的非线性特征和应用环境的复杂性,在利用非线性滤波方法进行计算时,经常会受到系统噪声统计未知、参数突变、瞬时干扰等系统模型不确定性的影响,可能出现估计精度下降、甚至滤波发散的状况。针对上述问题,本文在研究UKF理论和方法的基础上,对现有的UKF算法进行优化和改进,提出了一种基于极大似然准则与滚动时域估计的自适应UKF算法(MMAUKF)、一种改进的MMAUKF算法以及一种基于交互多模型估计的自适应抗差UKF算法,增强了非线性系统状态估计的自适应能力和鲁棒性。在此基础上,对所提出的算法进一步扩展,设计了一种基于UKF改进算法的多传感器最优数据融合方法,提高了多传感器非线性系统的数据融合精度。论文的主要研究工作和创新性贡献如下:(1)针对经典UKF在系统噪声统计存在不确定性时,滤波精度下降、甚至发散的问题,提出了一种MMAUKF算法。首先,根据极大似然准则构建系统噪声统计估计模型;然后,将滚动时域估计引入系统噪声统计估计模型中,以降低模型的复杂度,并应用序列二次规划方法迭代求解系统噪声统计的估计值;最后,将提出的算法应用于INS/GNSS组合导航系统中进行仿真及实验验证,结果表明,提出的算法通过在线估计系统噪声统计,可提高经典UKF的自适应能力和鲁棒性。(2)设计了一种改进的MMAUKF算法,以提高MMAUKF的计算效率,改善滤波器的实时性。与MMAUKF不同,所设计的算法基于状态与量测信息,利用极大似然准则建立关于系统噪声统计的优化模型;然后引入滚动时域策略降低优化求解的复杂度。在此基础上,提出一种新的最大期望方法,用来迭代求解系统噪声统计的估计值,采用滤波估计值代替计算复杂的平滑估计值,进一步提高估计器的计算效率。研究结果表明,在保证滤波精度的前提下,改进后的算法能够有效提高MMAUKF的计算效率,增强滤波器的实时性。(3)为克服经典UKF需要精确的系统模型的缺陷,提出一种基于交互多模型估计的自适应抗差UKF算法。在该算法中,根据新息正交化准则,建立了自适应渐消UKF和抗差UKF算法,并应用交互多模型估计方法对这两种滤波的估计结果进行加权融合,最终输出的总体状态估计即为自适应渐消UKF和抗差UKF滤波结果的概率加权和。将提出的算法应用于INS/GNSS组合导航系统中进行实验验证,结果表明,提出的算法由于吸收了自适应渐消UKF和抗差UKF的优点,弥补了各自的不足,克服了经典UKF的缺陷,因而提高了滤波器的自适应能力和鲁棒性。(4)提出了一种基于UT变换的非线性多传感器最优数据融合方法,解决了FKF在多传感器非线性系统应用中,由于使用方差上界技术而导致数据融合精度不高的问题。该方法通过线性最小方差准则直接推导得到,避免了使用方差上界技术对局部状态估计进行去相关处理,能够得到系统全局最优状态估计,克服了FKF的缺陷,提高了多传感器非线性系统的数据融合精度。(5)将本文提出的UKF改进算法与多传感器最优数据融合方法相结合,设计了一种基于UKF改进算法的多传感器最优数据融合方法,提高了多传感器非线性系统数据融合的自适应能力和鲁棒性。该方法具有自底向上的融合结构。在底层部分,采用提出的UKF改进算法作为局部滤波器来计算系统局部状态估计,以提高局部滤波器对系统模型不确定性的鲁棒性;在顶层部分,应用基于UT变换的非线性多传感器最优数据融合方法,对各个局部状态估计进行融合,得到系统全局最优状态估计。将提出的方法应用于INS/GNSS/CNS组合导航系统中,研究结果表明,设计的数据融合方法有效避免了使用方差上界技术对融合精度的影响,提高了系统对模型不确定性的自适应能力和鲁棒性。本文的研究工作对非线性滤波和多源信息融合技术的研究具有一定的贡献。研究成果不但可以应用于航空、航天及交通运输领域运载器的导航定位;经过推广,也可用于目标跟踪、故障诊断和自动控制等领域的动力学系统的状态估计。