经过几十年的发展,神经网络以其出色的自学习能力,强大的非线性映射能力、容错性高、鲁棒性强、并行计算信息处理方式等特点,已在众多领域得到广泛应用。而如何将神经网络这一优势技术应用到控制学科则逐渐成为众多相关领域的研究重点,本文旨在通过神经网络的学习能力和映射能力,提高相应算法的性能指标(例:精度、速度等)。线性神经网络作为神经网络发展过程中的重要成果,本文将其与卡尔曼滤波算法耦合,并将其应用到受控状态空间模型的参数辨识和状态估计,相比于常规辨识算法(例:递推增广最小二乘算法),新算法收敛更快、曲线更光滑,精度更高、误差更小。由于实际情况中存在诸多限制,导致不易获得系统精确模型和噪声特性,使得滤波算法收敛较慢,甚至发散。为改善这一情况,本文引入以误差反向传播算法作为权值训练算法的多层前馈网络。其中,BP神经网络是前馈型网络中最常用的模型,但该网络也存在诸多限制,例:网络效果对初始设计参数敏感,因此文章采用了自适应学习率、粒子群优化等算法弥补上述不足。仿真实验分为线性模型和非线性模型,其中线性模型实现融合状态估值器和自校正融合状态估值器。融合状态估值器的算法流程为:通过神经网络修正各传感器的状态估值,引入最优融合准则和平均数加权算法,获得基于神经网络的融合状态估值。相比于上述过程,自校正部分多出两个步骤,其一,利用辨识算法获得系统模型参数,其二,通过粒子群算法优化网络设计参数。非线性模型实现融合状态估值器,在传统扩展卡尔曼滤波基础上同时引入多新息算法和遗忘因子,仿真结果来看,文章提出算法均可减小估计误差,在一定程度上提高估值精度。当网络拓扑结构复杂时,互协方差阵不易计算,为提高卡尔曼一致性滤波算法的估计精度,借鉴融合估计算法的思路,利用多传感器协方差交叉融合算法作为融合准则,相比于卡尔曼一致性滤波算法,在算法结构中引入融合准则的算法估计精度更高。为进一步提高算法精度,利用融合后的状态估值和误差阵进行状态更新和误差阵更新。仿真结果显示该结构虽在一定程度上增加计算量,但仍在可接受的范围内,且相比于融合算法,反馈式结构仍可进一步改进算法。由于反馈型神经网络具有较快的收敛速度、较好的稳定性,且易于硬件实现,更好的稳定性。因此,在卡尔曼一致性算法的基础上,文章同时引入协方差交叉融合算法和Elman网络,其中融合算法提高估计精度,神经网络修正滤波值,从仿真结果可看出,神经网络的引入,确实在一定程度上提高算法的精度和收敛速度。