在信息融合系统中广泛用到信号估计及信号滤波理论与技术。信号估计与信号滤波从某种意义上来说，解决的都是有关噪声的问题,这里的噪声是一般意义上的,包括干扰信号以及信号状态的某些不确定性。信号受到噪声影响,并且还存在观测噪声影响,因此需要估计真实信号。目标跟踪实际上就是目标状态信号估计,其实质是随机信号处理。信号滤波从某种意义上说,就是除去信号中的噪声信号。本文主要研究信号估计与滤波中的面向地面目标状态信号估计,观测信号估计的信号估计器和线性相位二维FIR滤波器的设计问题。取得的成果主要有5个方面：(1)针对公路约束下机动车辆状态估计因其高度的非线性,传统方法不考虑公路宽度的问题,提出了一种带反馈的分布式估计器。该估计器基于提出的里程-侧向距公路模型,融合基于图像传感器得到的车辆与公路中间线垂直距离(称为侧向距)的估计与基于雷达传感器得到的侧向距离的估计,并将融合结果反馈到各个局部估计器中以提高局部估计器中参数的精度,最终得到车辆行使里程的估计与侧向距的估计,并通过坐标变换得到直角坐标系下车辆的位置估计。计算机仿真结果表明相对于传统的方法,该估计器的估计精度有较大提高；(2)针对传统的系统状态模型仅针对特定的运动形态的问题,本文提出了一种自适应运动模型。其基本思想是首先估计目标运动加速度,然后根据估计的目标运动加速度绝对值的期望值建立估计的目标运动加速度与运动模型噪声方差的函数关系。并且基于自适应运动模型,进一步提出了一种自适应运动模型滤波器,计算机仿真结果表明,该自适应运动模型滤波器的估计精度近似于基于2个运动模型的交互多模型(IMM)算法的估计精度。这是传统的基于单一运动模型的滤波器所远不能达到的；(3)针对传统观测信号估计算法过于依赖系统状态模型,适应性不是很强的问题,本文提出了基于神经网络的多传感器信号中心式估计融合算法和累积数据滤波器。前者利用神经网络根据多个传感器当前时刻的信号的观测数据进行网络训练,从而得到滤波器系统的参数,进而估计出下一时刻的观测信号状态。后者利用神经网络对从开始时刻到当前时刻的信号观测进行网络训练。并且提出了基于神经网络累积数据滤波器的信号分布式估计融合结构及算法。在计算机仿真中,分别将提出的基于神经网络的多传感器信号中心式估计融合算法跟扩展Kalman滤波器,基于神经网络的累积数据滤波器分布式估计融合算法和Kalman滤波器进行了比较,仿真结果表明提出的估计算法具有良好的估计精度；(4)利用线性相位二维带通FIR滤波器的频域传递函数特点,提出了复合正弦基函数神经网络结构及算法设计Ⅲ型二维带通FIR滤波器。进而提出了复合正弦基函数神经网络收敛定理,并给出了证明。仿真结果表明该方法设计的二维带通FIR滤波器的幅频特性较窗函数法和频率采样法设计的二维带通FIR滤波器有较大提高,接近理想滤波器特性,并且该方法计算速度快；(5)利用图像的噪声能量一般集中于高频段的特点,提出的基于复合余弦基神经网络的去噪滤波器通过低通滤波实现去噪目的。根据二维线性相位Ⅰ型FIR滤波器频域传递函数的特点,构造了复合余弦基神经网络。并且提出并证明了要使该神经网络收敛的收敛定理。仿真结果显示基于复合余弦基神经网络的图像去噪滤波器跟中值去噪滤波器比较,该方法设计的图像去噪滤波器具有明显的平滑去噪作用。