在多传感器监控系统中,目标的位置和速度等信息都是通过传感器测量获得的。随着当今科技的进步,传感器的性能也有了很大提升。但是传感器在长期使用过程中,还是不免会受其内部部件老化、外部环境影响导致量测信息有所偏差,以至于影响后续的监控过程,所以必须对传感器的量测数据进行系统偏差配准。在实际工程应用中,传感器的系统偏差来源往往是未知的,难以构建其系统偏差模型。因此,本文以系统偏差先验模型未知的传感器系统偏差配准为研究背景,以权值网络(Weight Network,WN)为研究对象,采用优化算法(或滤波算法)为技术手段对WN进行优化,开展了传感器系统偏差配准的研究。本文针对系统偏差配准中一些问题进行了相关研究工作,具体包括以下几个方面:无迹卡尔曼滤波算法(Unscented Kalman Filtering,UKF)和传统网络结合进行系统偏差配准时,针对由状态协方差负定引起的系统发散问题,本文提出了一种平方根无迹卡尔曼滤波算法(Square Root Unscented Kalman Filtering,SRUKF)优化WN的系统偏差配准算法——SRUKF-WN。该算法首先构建了包含WN网络连接权值、传感器量测和系统偏差在内的WN系统偏差估计模型;其次,将WN的网络连接权值作为动态状态量,WN的系统偏差输出作为观测量,进而建立了状态空间模型,通过SRUKF算法更新估计WN的网络连接权值,并将其用于WN来估计出系统偏差;最后,用系统偏差估计值配准目标的传感器量测。仿真结果表明,所提算法在迭代过程中使用的是状态协方差的平方根矩阵,能较好解决负定状态协方差带来的估计发散问题,同时提高了收敛速度,降低了运行时间。针对梯度下降法引起“锯齿”现象的问题,本文提出了一种粒子群算法(Particle Swarm Optimization,PSO)优化WN的系统偏差配准算法——PSO-WN。该算法首先将WN的网络连接权值与PSO算法的粒子个体建立映射关系,通过PSO算法对WN的网络连接权值进行优化更新,进而得到WN的最优网络连接权值估计;然后,将最优连接权值估计值输入到WN,并输出最优系统偏差估计值;最后,用最优系统偏差估计值配准目标的传感器量测。仿真结果表明,所提算法在求解问题时利用过去的经验知识,不依赖于梯度信息,进而避免了系统偏差估计出现“锯齿”现象,同时提高了估计精度。针对PSO-WN算法在进化后期出现种群多样性减少的问题,在PSO算法和差分进化算法(Differential Evolution,DE)相结合的基础上(PSO-DE),本文提出了一种改进PSO-DE算法优化WN的系统偏差配准算法——OSPSO-DE-WN。该算法在PSO和DE种群的信息交流过程中增加了优化选择策略来减少不必要的信息交流误差。该算法首先利用改进PSO-DE算法对WN的网络连接权值进行优化得到WN的最优网络连接权值估计;然后,将网络连接权值估计值输入到WN,输出最优系统偏差估计值;最后,用系统偏差估计值配准目标的传感器量测。仿真结果表明,所提算法不仅增加了种群多样性,同时提高了算法精度和收敛速度。