随着传感器网络技术越来越多的被用于社会生产与生活的各个方面，合理有效地融合网络中各节点获取的带有噪声和不确定性的局部信息是保证传感器网络能够获取被感知对象真实信息的重要手段。一致性卡尔曼滤波算法是一种新颖的分布式信息融合算法，算法中不需要融合中心，传感器节点只需与邻接节点进行数据交互，所有节点能够获得一致且高精度的估计值。该算法具有收敛速度快，估计性能好，通信需求小等特点，提高了传感网络对于各种复杂环境的适用性与鲁棒性。本文主要研究了传感器网络中每个传感器节点局部估计值不确定度不同以及模型不准确或者噪声时变将导致算法的估计误差变大甚至发散的问题。通过提出不确定度量化函数以及自适应抑噪策略来提高算法在复杂不确定感知环境下的估计性能。本文主要研究内容结构如下：首先，介绍了传感器网络的建模方法以及复杂网络的基本知识，并且介绍了一致性卡尔曼滤波算法中所涉及的一致性和卡尔曼滤波基本算法，对相关算法进行了数值仿真实验，为文中随后展开的研究工作奠定扎实理论基础。其次，针对传感器网络中每个传感器节点局部估计值不确定不同的问题，提出了一种基于不确定度量化加权的一致性卡尔曼滤波算法。该算法通过考虑节点度对于算法估计性能的影响，结合节点度数提出了一种衡量邻接节点状态估计值不确定度的量化函数，并且把不确定度量化值作为一致性协议中的加权系数引入到算法中。在三种常见的网络类型下，改变了随机选取的部分节点局部估计值的不确定度，仿真实验表明本文中算法依然能够保持较好的估计性能，验证了算法的有效性。再次，针对模型不准确或者噪声时变的问题，提出了一种自适应抑噪的一致性卡尔曼滤波算法。算法实时自适应校正观测噪声协方差矩阵，并且在计算观测噪声协方差矩阵时引入最佳遗忘因子，使当前观测数据在滤波过程得到重视。通过分析观测噪声时变情况下动态目标跟踪仿真实验中的估计误差与估计非一致性误差，验证了算法有效性以及其在抑制时变噪声方面的优越性。最后，将自适应抑噪的一致性卡尔曼滤波算法与带有领导者的多智能体蜂拥控制相结合，假定每个时刻智能体只能通过状态估计的方法来获取领导者下个时刻的位置信息和速度信息，智能体根据自身对于领导者状态的估计值来规划自身下个时刻的运动。仿真实验表明，文中给出的控制策略不但能够使得多智能体系统满足分离，聚合以及速度匹配三条规则，而且能提高多智能体系统的同步速度。