在系统运行中，控制规则的实现和控制量的求取都与系统状态信息的获取有关，对所需的各种状态信息进行准确测量，是实现自动控制的前提。但随着系统复杂程度的日益增加，单纯依靠传感器等传统测量手段来获取控制所需的大量状态信息，将会极大增加硬件的复杂性和系统所需的开支，甚至有可能降低系统的稳定性。此外，一部分状态信息受现场应用环境等外部因素的制约，很难或者根本无法通过物理测量来获取。这时，基于解析模型的状态观测器方法提供了一个全新的解决思路。当已知被控过程是较为准确的数学模型时，通过设计合适的状态观测器，利用系统可测的输出和输入来估计系统不可测的状态，可在很多情况下替代物理测量成为获取状态信息的一个行之有效的途径。它实质上是系统的数学复制，通过将系统输出和观测器输出进行比较，从而得到输出估计误差，并将其作为校正项加以反馈，可使得观测器的状态趋近于系统状态。

针对非线性系统，已经提出了许多状态观测器的设计方法。最早的状态观测问题研究是由Wiener 和Kalman 等人提出的滤波算法，该算法已成为随机离散时变系统状态观测的强有力工具，但Kalman 滤波算法要求事先知道系统初始状态的均值与方差，因此在实际应用中很难满足这一要求[137]。而真正解决多变量系统状态观测问题的则是Luenberger，其提出的针对确定性线性系统的观测器设计方法为现代观测器理论奠定了基础，但Luenberger 观测器对系统参数变化的适应性较差[138]。当前，非线性状态观测器的大多数设计理念依然是基于Luenberger 的设计思想，其中一种改进的办法就是在观测器的反馈项中引入自适应反馈或者非线性反馈，以达到改善观测器的鲁棒性和动态品质[139]。然而，当存在未知信号时，Luenberger 观测器通常无法使输出估计误差为零，且观测器状态也不会趋近于系统状态。滑模观测器[44]通过一个非线性切换项反馈输出估计误差，从而有力地解决了这个问题。其基本原理就是根据滑模变结构的控制理论，建立系统的数学模型，通过合理的设计滑模面和控制律函数，使得状态变量的估计值近似等于其实际值。20 世纪70 年代，Utkin 提出了一种采用不连续开关项的滑模观测器[126]；而Walcott 和Zak 基于李雅普诺夫原理设计了不连续项滑模观测器[140]；此后，Walcott 提出用一些连续函数代替符号函数并引入边界层的概念，消除了测量噪声对状态估计的收敛性可能造成的影响[141]。常规滑模观测器存在的两个主要问题是：一方面是匹配条件的限制问题，即观测器要求建模误差、参数变化及外部干扰等不确定性因素必须满足相应的匹配条件；另一方面是由于引入滑模变结构控制而引起的抖动以及变结构要求的不确定上下界已知的问题。对此，文献[142]提出了不确定参数不满足匹配条件时适用的方法，但其构造的滑模观测器在实际应用中无法实现。文献[143]则对其加以改进，使观测器的结构只涉及不确定的上下界，从而能够在工程中实现。几十年来，滑模观测器理论不断被扩充，其应用也逐渐扩展到状态反馈控制、故障诊断及信号处理等领域。(www.daowen.com)