随着近年来高速电子计算机的迅速发展以及世界各国人造卫星发射中对轨道、导航技术的需求,多传感器信息融合滤波理论逐渐走入相关研究人员的视野。为了从被污染的观测信号寻求未知真实信号或状态的估值,已有一系列Kalman滤波算法被提出用来解决此类问题,其实时递推的性质优于其它一般的滤波算法。然而,由于系统模型的复杂性、工作环境中的不确定因素和测量设备自身存在的误差,导致系统模型带有未知、不确定的参数,或者出现量测系统误差的情况,也就是欠观测状态,若在此状态下仍继续使用传统Kalman滤波算法,滤波器性能会因此损坏,使得滤波发散,进而提出了增量模型下的Kalman滤波器并与自校正信息融合算法结合,从而解决上述问题的发生。本文是基于已有的增量滤波模型,提出多传感器欠观测融合自校正增量Kalman滤波算法,有以下几个步骤:首先提出新的参数估计算法,有基于增量观测模型的递推辅助变量(RIV)算法、基于增量观测模型的递推增广最小二乘(RELS)估计算法和基于增量观测模型的两段RLS-RELS算法,能够解决在欠观测系统下模型参数未知的情况,有效地辨识了未知模型参数。后续的仿真例子检验了算法的可行性。其次引用第二章已提出的基于增量模型新的参数估计方法,结合已有的增量Kalman滤波器,提出单传感器欠观测系统自校正增量Kalman算法,算法的收敛性由动态误差系统分析(DESA)方法证明,有效的解决了增量Kalman滤波器在模型参数未知的情况。后续的仿真例子检验了算法的可行性。最后在实际应用中环境复杂,目标的识别与控制无法由单一传感器完成,同时为了进一步提高欠观测系统状态估计的准确性,分别提出了多传感器加权状态融合和观测融合的自校正增量Kalman滤波器。后续的仿真例子检验了算法的可行性。