混合系统是一类由连续和离散动态特性相互作用的复合随机系统,其状态空间由欧氏向量空间和离散事件有限状态空间共同组成,系统状态的演化表现为时间和事件共同驱动的结果。混合系统模型在许多重要领域中均有着广泛的应用,例如目标跟踪、空中交通管制、导航系统、嵌入式系统、信号处理及故障诊断等等,而混合系统的状态估计算法作为混合系统在实际应用中的核心技术一直是研究领域的热点。本文主要针对混合估计过程中的当前有效模型集的确定、模型间转移概率的确定、假设削减方法、输出融合以及混合系统在量测丢包情况下的状态估计问题进行了研究。具体的研究工作如下:1、对混合系统有效模型集的自适应问题进行了研究。首先,利用系统模态的条件均值、模型概率及似然函数等信息,设计了活跃集切换律。然后,基于所设计的切换律从总模型集中实时地确定出当前时刻的最小活跃子集。在此基础上,对系统的期望模态进行求解,并将其增广到最小活跃子集中。最后,将得到的增广活跃集作为当前时刻的有效模型集。基于该模型集自适应方法,进一步得到了一种新的变结构多模型混合估计算法。仿真实验证明,该算法在复杂的目标跟踪环境下能够保证较高的估计精度和时效性。2、对含有未知转移概率矩阵的混合系统的状态估计问题进行了研究。首先,在转移概率矩阵是随机且时不变的前提假设下,推导了贝叶斯框架下的转移概率矩阵的后验概率密度函数的近似递推形式。然后,基于该递推形式,利用先验概率估计方法的思想,得到了一种最小均方误差意义下的转移概率矩阵的在线估计方法。该方法可与现有的贝叶斯框架下的混合估计算法相结合,得到一种转移概率矩阵未知条件下的自适应混合状态估计器。仿真实验表明,利用该算法能够在极大地提高估计精度的同时保证时效性。3、对混合估计过程中的假设削减问题进行了研究,基于高斯混合以及矩匹配准则,通过固定各个模型对中高斯混合项数目的方法来抑制假设数目的不断增长。具体来说,每一个模型对中,保留具有最大模型概率的前s个高斯项,将其它高斯项利用矩匹配准则融合为一个高斯项,从而保证每一时刻各模型对中有且仅有s+1个高斯项。基于该假设削减方法,得到了一种新的混合估计算法。该算法能够最大程度地保持原有假设的统计特性、避免有效信息丢失,与此同时具有较高的实际可实现性及时效性。仿真实验证明,该算法较现有的多模型混合估计方法具有更高的估计精度。4、对混合估计过程中的输出融合问题进行了研究。首先,推导了模型条件滤波器估计误差的互协方差阵,以取代传统算法中对似然函数的近似计算。在此基础上,利用最优融合准则分别以标量、对角阵以及常规阵的形式对模型权重进行求解,从而避免了概率质量和概率密度的混合运算。另外,为增强混合估计算法对模型误差及不确定噪声的鲁棒性,采用一种具有自适应阈值的H∞滤波器作为混合估计中的子滤波器,最终得到了三种鲁棒交互式多模型算法,并对其进行了详细的复杂度分析、理论分析以及仿真验证。5、针对混合系统在发生量测丢包时的状态估计问题进行了研究。首先利用一个二态的Markov链对系统是否丢包进行建模,得到双Markov链系统,通过定义乘积集将两个Markov切换参数所对应的模型集进行融合,并给出单个模型集中各模型与乘积集中各模型的对应关系。在此基础上,以交互式多模型算法为框架,采用分层的方法,并利用一种新的最优估计算法对双Markov链系统进行滤波。仿真实验证明了该算法的有效性。