本书针对现有以Kalman滤波器为主流的扩展Kalman滤波器（EKF）、无迹Kalman滤波器（UKF）、容积Kalman滤波器（CKF）等，不能有效应用于非高斯系统；而基于粒子滤波器（PF），不仅过度依赖于难以获得的系统被估计状态的密度函数，同时又存在过多的粒子采样会造成高计算复杂度、因粒子退化又会引发对系统状态估计不准等难题。本书作者们经过十余年的努力，创建了以状态建模误差特征函数为基础的特征函数滤波器，新型滤波器不仅具有Kalman滤波器实时递归的优点，同时也避免了对强非线性观测模型基于Taylor展开线性化带来的截断误差，极大方便了针对非线性非高斯系统的状态估计与参数辨识。 本书主要汇集了作者们近年来在特征函数建模、目标函数构建、特征函数滤波器设计、分布式多传感器集中式融合滤波器、并行式融合滤波器、序贯式融合滤波器、极坐标系与直角坐标系混合环境下的目标跟踪、深度神经网络模型参数自适应辨识、超非线性输入输出系统参数在线辨识、非线性参数与状态联合估计、设备寿命预测等应用研究。