随着贝叶斯定理的提出,高斯滤波(GF)成为现代滤波领域里具有代表性的重要技术之一,在航天、通信、交通及化工等工程领域应用广泛,尤其是在导航领域,已成为当前的研究热点。由于系统存在建模误差和观测误差,需要设计高精度、高性能的滤波算法,对原始含噪声的信号进行处理,输出所需的信号。GF算法的正常运行需要满足多个假设条件,在实际工程中,非理想情况的存在会导致GF器无法正常工作。另外,为了弥补单个传感器自身缺陷,保证工程系统持续稳定的正常工作,通常采用多传感器协同工作的方式。高效、高精度、高稳定性的信息融合算法是多传感器协同工作的核心部分。为保证工程系统的正常运行,需要设计具有精度高、稳定性强的滤波算法,及高效、高稳定性、高精度的信息融合算法。由于工程环境的特殊性和复杂性,有些工程系统在工作中经常会存在随机观测时滞、模型含有乘性噪声、噪声非高斯等问题。为解决这些问题,本文提出几种改进滤波算法,从而获得有效的状态估计值。另外,为提高多传感器组合测量系统的稳定性和精确性,本文还设计了几种多传感器信息融合算法对状态估计值进行进一步融合处理。首先,针对系统中含有乘性噪声的问题,将乘性噪声统计特性与GF框架相结合,设计改进GF算法。算法考虑了乘性噪声满足高斯分布的假设,在预测和更新过程中考虑乘性噪声的条件均值方差,根据贝叶斯估计理论,改进GF框架。另外,针对系统同时存在的量测时滞、噪声相关和容积点中心偏移的问题,在改进GF框架的基础上,结合状态扩维、容积点改进等方法,使改进GF算法可以在不同的非理想条件下具有较高的估计精度。然后,针对系统噪声为重尾噪声的问题,通过将GF框架与鲁棒代价函数结合,设计鲁棒GF算法。算法通过最大熵准则、M估计准则等设计对重尾噪声具有鲁棒性的代价函数,代入GF框架中,或者以粒子框架、Student’s t滤波框架代替GF框架,从而使改进GF算法对重尾噪声具有鲁棒性。同时,利用基于M估计的鲁棒滤波逼近重要密度函数,降低粒子贫化现象,利用观测差分法去除噪声的时间相关性,通过状态扩维的方法解决因观测时滞导致的噪声条件均值不为零的问题,提高所设计鲁棒滤波算法的适用范围。接着,针对GF算法估计结果的一致性实时监测问题,设计一种新型的监测算法。首先,研究了GF框架下的滤波算法在非理想条件影响下,由于无法满足高斯近似假设,或者由于建模误差,导致估计值不一致的问题。然后,基于统计假设检测法,以后验估计值和先验估计值的差值为被检测的统计量,给出了一种新的一致性监测算法。该算法既避免了对状态真值的依赖,满足了实时监测要求,又是直接对后验估计值进行监测。且自动执行监测,避免了运行期间用户交互的繁琐操作,简化结构,提高计算效率。最后,将监测算法嵌入到容积四元数滤波中,测试算法在实际应用中的性能,从而确保所设计算法的有效性。最后,针对组合导航系统在非理想情况下的信息融合问题,将之前的研究成果与信息融合算法结合,设计改进信息融合算法。首先,针对乘性噪声及观测噪声相关的问题,以改进GF算法为基础,结合观测矩阵扩展法,设计了改进集中式融合算法。其次,针对系统噪声为Student’s t分布的问题,以改进Student’s t滤波框架为基础,结合拉格朗日乘子法计算融合权重,给出基于Student’s t的分布式融合算法。最后,针对多传感器采样率不同,及系统噪声和观测噪声相关的问题,通过多尺度系统理论统一采样率,结合一阶斯特林插值法将非线性函数线性化,解决系统噪声相关的问题,提出改进协方差交叉融合算法,并通过所提出一致性监测算法对估计结果进行监测。