在现实生活和科技领域中，有越来越多的数据出现在人类的面前。其中有一种称为时间序列的数据应用日益广泛。这种数据既在天文、地理、生物、物理、化学等自然科学领域，又在图像处理、语音通讯、声纳技术、遥感技术、核工程、环境工程、医学工程、海洋工程、冶金工程、机械工程等工程技术领域，还在人口、经济、管理等社会经济领域中广泛存在。前人为了分析时间序列数据，提出了许多模型，其中动态贝叶斯网络模型引起了越来越多的学者的关注。本文主要研究了一类动态贝叶斯网络模型，这一类动态贝叶斯网络模型具有隐含状态和观测向量两个随机过程。隐马尔可夫模型(Hidden Markov Model, HMM)和状态空间模型(State Space Model, SSM)就是这一类动态贝叶斯网络模型的典型代表，并且其在参数估计等方面存在一些问题，故本论文以HMM和SSM为研究对象，主要对HMM的隐含状态个数的确定和SSM在非高斯观测噪声下的状态估计等问题构建了新的解决方法，并提出了相应的求解算法。然后对于SSM在多传感器融合跟踪的应用进行了深入的研究。本论文的主要贡献包括以下几个方面：①本文构建了HMM的模型选择和特征选择的联合求解方法，并提出了相应的求解算法。首先对HMM的主要研究问题进行了论述，着重是HMM的模型选择问题。HMM的模型选择就是HMM的隐含状态个数的确定。通过重点分析HMM的模型选择与HMM的特征选择之间的相互关系，发现了HMM的模型选择与HMM的特征选择这两个问题相互影响、互相关联，故本文提出了HMM的模型选择和特征选择的联合求解方法，并给出了相应的求解算法。通过实验表明了本文提出的HMM的模型选择和特征选择的联合求解算法比现有的主流算法能更好的刻画数据。②本文提出了SSM在非高斯观测噪声下的新的状态估计算法。首先对SSM的状态估计问题，特别是在非高斯观测噪声下的状态估计算法进行了详细的论述。当前解决SSM在非高斯观测噪声下的状态估计的主流方法是用混合高斯模型进行非高斯噪声的模拟，然后用最大期望算法进行状态的估计。但最大期望算法很难估计混合高斯模型中的混合个数，这必将影响状态估计的效果。故本文提出了用变分贝叶斯算法对SSM在非高斯观测噪声下的状态进行估计，并给出了相应的状态估计算法。通过大量的实验表明了本文提出的算法比当前的主流算法有较好的状态估计效果和较小的时间复杂度。③本文提出了将Student-t分布应用到非高斯噪声下的多传感器单目标融合跟踪问题中，进而提出了离线和在线的两种融合跟踪算法。通过分析非高斯噪声情况下的多传感器单目标融合跟踪问题，发现用传统的混合高斯进行非高斯噪声建模，会导致融合后的模型过多，进而引起跟踪效果较差和算法时间复杂度较高等缺点。故本文提出了用Student-t分布进行非高斯噪声的模拟，并给出了离线和在线的两种融合跟踪算法。通过实验表明了本文提出的离线和在线的这两种融合跟踪算法比现有的融合跟踪算法有较好的跟踪效果和较低的时间复杂度。④本文构建了多传感器的相对配准、数据关联和数据融合的联合求解方法，进而提出了相应的求解算法，从而实现了多传感器多目标融合跟踪。针对多传感器多目标融合跟踪问题进行了详细地论述，分别阐述了多传感器的相对配准、数据关联和数据融合这三个问题，发现这三个问题相互影响、互相关联。故本文构建了多传感器的相对配准、数据关联和数据融合的联合求解方法，将这三个问题转化成为参数估计的问题，进而提出了相应的求解算法。通过实验表明了本文提出的多传感器的相对配准、数据关联和数据融合的求解算法有较好的跟踪效果。