随着现代控制系统的规模日益扩大、分散化程度不断提高和网络技术的飞速发展，网络化控制系统凭借高效、高可靠性、操作灵活及成本低等优点广泛应用于军事和国民经济的各个领域。但同时，不可靠的网络环境也使网络化控制系统存在诸多不确定性。除了网络带宽有限导致的传输时延、数据丢包等随机现象以外，由于所处环境的复杂性或经济条件的限制，过程干扰、相关噪声、随机不确定性、随机非线性和多速率采样等问题在所难免。本文针对网络化系统的上述特点，综合考虑网络传输过程中的各种随机现象，基于射影理论和线性无偏最小方差意义下的最优融合算法，研究网络化系统的融合估计问题。主要研究内容如下:　　1.对带乘性噪声和相关加性噪声的多传感器随机不确定系统，提出了集中式和分布式信息融合估计算法。所考虑的系统模型中，系统方程和观测方程中的乘性噪声在同时刻互相关，系统噪声和观测噪声一步自相关和两步互相关。基于新息分析方法，提出了线性最小方差意义下的集中式最优融合估值器，包括滤波器、预报器和平滑器。利用局部最优滤波器，推导了任意两个传感器子系统之间的滤波误差互协方差矩阵。应用线性无偏最小方差矩阵加权最优融合准则，给出了按矩阵加权分布式融合滤波器。为了避免计算估计误差互协方差矩阵，又给出了协方差交叉融合滤波器。最后，对所提出的三种融合估计算法在精度和计算量方面进行了比较分析。　　2.对带乘性噪声和有限步自/互相关加性噪声的多传感器随机不确定系统，提出了集中式和分布式融合估计算法。采用观测增广方法，设计了线性最小方差意义下的集中式最优融合估值器，包括滤波器、预报器和平滑器。对每个单传感器系统，给出了局部最优滤波器。基于新息分析方法，推导了任意两个传感器子系统之间的滤波误差互协方差矩阵。应用线性无偏最小方差加权融合估计准则，给出了按矩阵加权分布式融合滤波器。最后，通过仿真实例验证了算法的有效性。　　3.对带随机参数矩阵、随机非线性、衰减观测和有限步自/互相关加性噪声的多通道随机不确定系统，提出了线性最小方差最优线性估值器。在网络化控制系统中，乘性噪声、时延和丢包均可由随机参数矩阵来转化和描述。这里考虑的随机参数矩阵是同时刻互相关的;各观测信道具有不同的衰减观测率。系统遭受到的随机非线性均由统计特性来描述。基于新息分析方法，提出了线性最优估值器，包括滤波器、预报器和平滑器。与现有文献相比提高了估计精度。　　4.对带乘性噪声和一步自相关加性噪声的多传感器多速率采样随机不确定系统，提出了分布式融合滤波算法。所考虑的系统状态以最快速率均匀进行更新，不同传感器以整数倍状态更新周期的不同速率进行观测采样。通过建立局部传感器观测采样点上的状态空间模型，给出观测采样点上的最优线性滤波器。进而，利用多步预报给出状态更新点上的局部最优线性估值器。推导了任意两个传感器子系统之间的估计误差互协方差矩阵，包括滤波误差互协方差阵、滤波与预报误差互协方差阵和预报误差互协方差阵，它们可以递推计算。基于分布式线性无偏最小方差加权融合估计算法，给出了按矩阵加权分布式融合滤波器。仿真实例验证了算法的有效性。