分布式估计融合是多传感器系统研究的一项重要内容。在分布式估计融合系统中，各个传感器根据自己的观测作出局部最优估计，然后将其送至融合中心进行融合。在实际应用中，一方面系统受到通讯带宽的限制，必须对传感器的观测和估计进行有效的压缩编码；另一方面各传感器观测的统计信息常常未知，只能利用一定的训练数据来获得最终估计，而此时的分布式估计融合有着广泛的应用背景。本文主要讨论各传感器观测的联合概率分布未知情形下，分布式估计融合系统的最优量化器设计问题。首先，针对各观测量的联合概率分布未知的情形，利用C－均值聚类算法简单、局部搜索能力强、能有效处理大型数据集，以及V.Megalooikonomou和Y.Yesha所提出的直和估计方法可以大幅降低融合中心存储要求的优点，分别基于硬C-均值聚类与模糊C-均值聚类给出了分站最优量化器设计模型和算法。其次，由于分站最优量化器下的融合估计只能达到局部最优，因此有必要为该系统建立一个能实现全局最优的估计融合模型。本论文利用硬C-均值聚类同时考虑分站量化器的设计，建立了一个系统的整体优化估计融合模型，并基于硬C-均值算法给出了该模型的一种搜索算法。最后，论文针对基于硬C-均值聚类与模糊C-均值聚类设计分站最优量化器的方法分别进行计算机模拟，并与V.Megalooikonomou等基于回归树设计量化器的方法进行比较。结果表明，基于硬C-均值方法所得的估计误差比基于回归树方法所得的估计误差低10％以上，而模糊C一均值方法在硬C-均值方法的基础上可进一步降低约2％的估计误差，说明基于C-均值聚类设计分站最优量化器可以显著提高系统的融合性能。同时，论文针对系统整体优化估计融合模型进行计算机模拟。结果表明，该模型比基于分站最优量化器的估计融合模型可进一步提高系统约2％的融合性能。