无融合中心的分布式传感器网络因其鲁棒容错、灵活可剪裁的特点在军、民用领域都有广阔的应用前景,并受到研究者的广泛关注。然而,这一结构特点为其带来巨大优势的同时,也为融合问题带来了困难与挑战。一致性算法的提出,为解决无融合中心的传感器网络分布式融合提供了有力的工具。近年来,在一致性算法的框架下,许多学者已经取得了一定的研究成果。然而,在实际传感器网络应用中,特别是诸如战场环境等复杂场景下,广域部署的传感器节点存在着数据配准、参数不确定、量测不确定、传感器视场存在差异等一系列问题,亟待在一致性算法的框架下深入研究。本文在一致性算法框架下,针对前述问题展开研究,主要研究成果如下:1.围绕无融合中心分布式传感器网络的配准问题,针对传感器节点的固定偏差提出一种基于期望最大化方法的一致性配准算法;针对诸如传感器位置不确定等系统随机误差,提出基于变分贝叶斯方法的一致性传感器位置修正算法。实验结果表明所提出的算法具有良好的精度,在一致性迭代步数足够大时能够趋近于集中式的算法。2.围绕传感器网络量测噪声不确定问题,首先针对量测噪声方差未知的情况,提出了一种变分贝叶斯一致性卡尔曼滤波算法,在一致性算法的框架中利用变分贝叶斯近似求解状态和量测噪声方差的联合后验分布;更进一步地,针对量测存在异常值的情况,将量测噪声建模为服从重尾的Student-t分布,提出基于Student-t分布的变分贝叶斯一致性卡尔曼滤波算法。仿真实验表明,所提出算法在量测噪声时变、存在异常值时具有良好的鲁棒性。3.围绕传感器节点视场存在差异情况下的多目标跟踪问题,在一致性算法框架下,通过构造扩展标签空间、对未检测多目标概率密度建模以及基于Dempster-Shafer证据理论重构融合权重,提出了差异视场下一致性标签多伯努利滤波器。仿真实验表明,该方法能够使各个传感器节点在全局视场中对多目标实现稳定的跟踪。