随着计算机网络的飞速发展和普遍应用,传统的物理传输方式已不能满足系统功能不断增长的需求,迫切需要更高效的传输模式。基于信息感知的物联网将功能各异的系统组件通过网络进行连接,能够实现物与人、物与物之间的信息传输和交互,最终实现对物理世界的高度认知和智能控制。为了对目标进行精确估计,物联网依赖于由空间分布的多个自主传感器以不同的采样速率对目标进行观测,再将采集到的信息加以关联、组合和集成,进而完成态势评估和决策控制。同时由于物联网通过网络发送数据,有限的网络承载能力和通信带宽会导致许多网络化不确定性现象,如数据丢失、网络时滞、通信干扰等发生,降低估计精度,也使得传统估计理论中的许多假设条件难以应用到多速率传感器系统中。因此,研究物联网中多速率传感器系统的状态融合估计算法变得极为重要。本文以物联网中的传感器系统为研究对象,将多速率采样和网络化不确定性下的状态估计作为研究目标,以融合估计为主线,研究多速率传感器系统以及具有不确定性的系统状态融合估计算法。研究内容主要包括以下几个方面。（1）针对物联网中多个传感器以不同速率进行采样的多速率传感器系统,根据采样机制建立多速率状态空间模型,结合多速率采样机制下观测值依次到达融合中心的特点研究状态估计中观测值的融合架构,给出基于线性卡尔曼滤波的序贯式融合估计算法,通过组合导航系统算例验证了算法对多速率传感器系统进行状态估计时良好的估计性能,证明了算法在估计精度和计算负担上的优越性。（2）在多速率采样的基础上考虑观测数据随机丢失的现象,建立带有随机参数的多速率采样系统模型,研究观测数据随机丢失的处理方法,进而给出线性最小方差意义下的序贯式融合估计算法,通过观测数据随机丢失的组合导航系统算例验证了算法在处理具有丢失观测的状态估计问题上的有效性和可行性。（3）在多速率采样的基础上进一步考虑观测数据随机滞后的现象,建立带有时滞变量和随机参数的多速率采样系统模型,研究消除时滞变量的模型约简方法,分析模型约简引入的噪声相关性,给出线性最小方差意义下的序贯式融合估计算法,观测数据随机滞后的组合导航系统算例结果证明了算法可以有效处理具有随机时滞的多速率传感器系统的状态估计问题。