1.一种基于变分贝叶斯的分布式一致性目标状态估计方法，其特征在于，包括以下步骤：S1、初始化系统参数，包括：

初始化传感器网络参数；

定义传感器网络N＝S∪C,A，其中传感器节点S表示接收和处理数据的节点，通信节点C表示完成数据传输的节点，连接链路 表示可通信节点之间的通信链路，初始化第s个传感器的邻接节点集合为 初始化传感器一致性加权系数为w；

初始化潜变量先验分布及其参数：

定义k时刻模型为rk∈{1,2,...,M}，其中M表示目标运动过程中包含模型个数，设定k时刻模型服从参数为μk的分类分布，其概率密度函数为： 其中∏·表示连乘操作， 为指示函数，其形式定义为：定义k时刻马尔科夫转移概率矩阵 设定k时刻马尔科夫转移概率矩阵每一行πi,k服从参数为αi,k的狄利克雷分布，即其中Γ(·)表示伽马函数；

初始化目标运动状态参数：

设定目标运动状态向量 其中nx表示状态维数，定义第s个传感器第rk个模型的状态条件概率密度函数为 其中Fj表示第j个模型的状态转移矩阵，Qk表示k时刻过程噪声协方差矩阵；设定k‑1时刻各模型的目标状态估计值为 状态估计协方差为设定量测向量 其中ny表示量测维数，定义第rk个目标运动模型的量测条件概率密度函数为 Hj表示第j个模型的量测转移矩阵，Rk表示k时刻量测噪声协方差矩阵；

S2、计算各传感器目标状态预测值 与协方差预测值 并计算对应状态预测信息对：计算第s个传感器中第j个模型对应的目标状态预测值 与状态预测协方差T其中，(·) 表示矩阵求转置操作；

计算对应的目标状态预测信息对：

‑1

其中，(·) 表示矩阵求逆操作；

S3、基于S2获得的目标状态预测信息对结合S1获得的传感器网络参数，通过一致性处理目标状态预测信息对；

遍历传感器节点，根据当前传感器邻接节点集合结合下式对目标状态预测信息对进行一致性融合处理：其中L表示一致性处理次数；

S4、基于获得的目标未知参数对应的初始化先验分布建立潜变量与目标状态的联合概率密度函数，并基于变分贝叶斯方法求解潜变量边缘似然分布，确定其超参数更新方法；

基于潜变量初始化先验分布建立联合概率密度函数：计算潜变量边缘概率密度并确定超参数更新方法：基于联合概率密度函数结合下式计算目标状态估计边缘似然概率：其中， 上脚标[n]表示第n次变分迭代，ln(·)表示求自然对数操作，const表示常数，其中：

计算目标运动模型概率边缘似然概率其中 表示模型概率预测值，确定超参数更新：其中Λj(zk)＝p(zk|xk|k‑1,rk＝j)p(xk|xk‑1|k‑1,rk＝j)表示第j个模型在k时刻的似然概率；

目标运动状态转移概率求边缘似然概率确定超参数更新：

S5、基于获得的目标更新状态预测信息对与获得的超参数更新方法迭代优化获得各传感器目标运动模型概率值与马尔科夫状态转移概率值：计算模型似然概率与模型概率估计值结合下式计算第j个目标运动模型似然概率结合下式计算第j个目标运动模型概率估计值计算马尔科夫转移概率值：

基于超参数更新方法结合下式获得目标运动模型转移概率参数估计值获得马尔科夫目标运动状态转移概率值S6、基于各传感器新息量测对获得的模型概率值与马尔科夫转移概率值结合获得的传感器网络参数，通过一致性融合方法更新目标在各传感器对应的新息对、模型概率与马尔科夫转移概率参数；

通过一致性处理更新各传感器新息对结合下式计算目标量测参数对应的各传感器新息对：结合下式通过一致性处理更新各传感器目标量测新息对：结合下式更新各传感器目标运动模型概率：结合下式更新各传感器目标马尔科夫状态转移概率：S7、基于获得的目标状态预测信息对、目标新息对、运动模型概率进行结合下式计算传感器在当前时刻的状态估计值 与状态估计协方差矩阵得到目标在当前时刻的状态估计值与状态估计协方差矩阵，完成状态更新。