多智能体系统（MAS）在实际应用的过程中，复杂的应用环境所带来的各种不确定性因素，如噪声不确定、先验知识不确定、通信拓扑变化等，使得MAS分布式估计问题难度更加凸显。本书围绕不确定条件下多智能体系统的分布式滤波算法开展深入研究，为MAS分布式估计算法逐步从理论走向应用奠定坚实的技术基础。 本书可以作为高等学校电子信息类、自动化类、计算机类各专业高年级本科生和硕士、博士研究生数字信号处理或者卡尔曼滤波原理相关课程的教材，也可以作为从事雷达、导航及控制、信号处理、目标跟踪、机器人运动规划及控制自动化等数字信号处理相关研究的教师和科研人员的参考书。

第1章 绪论
1.1 研究背景与意义
1.2 基于卡尔曼滤波的分布式估计研究现状
1.3 不确定条件下卡尔曼滤波算法的研究现状
1.4 主要研究工作
1.5 本书组织结构
第2章 基于PDF一致性的分布式贝叶斯滤波算法
2.1 引言
2.2 问题描述
2.3 基于PDF一致性的分布式极大后验估计
2.4 仿真验证与分析
2.5 本章小结
第3章 基于变分贝叶斯的噪声自适应分布式滤波算法
3.1 引言
3.2 变分贝叶斯推断
3.3 问题描述
3.4 基于变分贝叶斯的分布式自适应容积信息滤波
3.5 仿真验证
3.6 本章小结
第4章 基于模糊可能性技术的分布式模糊滤波算法
4.1 引言
4.2 模糊卡尔曼滤波
4.3 问题描述
4.4 分布式模糊估计算法
4.5 仿真验证
4.6 本章小结
第5章 切换拓扑条件下的分布式模糊滤波算法
5.1 引言
5.2 问题描述
5.3 切换拓扑条件下的分布式模糊信息融合滤波
5.4 算法分析
5.5 仿真验证
5.6 本章小结
第6章 结论与展望
参考文献