Στη παρούσα διπλωματική εργασία ασχολούμαστε με την ανάπτυξη τεχνικών για υλοποίηση ενός κατανεμημένου φίλτρου Kalman σε ένα Δίκτυο Αισθητήρων (WSN). Τα δίκτυα αυτά έχουν γνωρίσει τα τελευταία χρόνια ραγδαία ανάπτυξη λόγω των εξαιρετικά πολλών εφαρμογών τους σε διάφορα πεδία της ανθρώπινης δραστηριότητας. Το πρόβλημα που πραγματευόμαστε εδώ είναι η προσπάθεια εκτίμησης της κατάστασης μιας στοχαστικής διαδικασίας που επιτηρείται-παρακολουθείται απο το δίκτυο. Οι κόμβοι-αισθητήρες που συναπαρτίζουν αυτά τα δίκτυα έχουν συνήθως περιορίσμενες δυνατότητες ¨αίσθησης¨, πράγμα που σημαίνει ότι κάθε μεμονωμένος κόμβος αδυνατεί να παράξει μια καλή εκτίμηση της κατάστασης. Διάφορες τεχνικές εχούν προταθεί για την επίλυση τέτοιου είδους προβλημάτων όπως το κεντρικό Φίλτρο Kalman ή διάφορες αποκεντρωμένες προσεγγίσεις, οι οποιές είχαν όμως υψηλό υπολογιστικό κόστος και τις καθιστούσαν πρακτικά μη υλοποιήσιμες, ειδικά για δίκτυα με μεγάλο αριθμό κόμβων. Έτσι στη παρούσα εργασία , χρησιμοποιώντας ως εργαλείο την θεώρια των αλγορίθμων ¨Κοινής Συμφωνίας¨ (Consensus Algorithms) , κατασκευάζουμε Αλγορίθμους χαμήλης πολυπλοκότητας, για την υλοποίηση ενός Kατανεμημένου Φίλτρου Kalman, θεωρώντας ότι όλοι οι κόμβοι είναι ομότιμοι (peer-to-peer αρχιτεκτονικές), κάθε κόμβος επικοινωνεί μόνο με τους γειτονικούς του και δεν υπάρχουν Fusion Centers. Παρουσιάζουμε έτσι τρεις διαφορετικούς επαναληπτικούς αλγορίθμους βασιζομένων σε δύο διαφορετικές λογικές και τέλος προσομοιώνουμε και αξιολογούμε την επίδοση καθενός από αυτούς. / In this thesis we deal with the development of techniques for implementing a distributed Kalman filter in a sensor network (WSN). Ιn recent years these networks have experienced rapid growth, due to the numerous applications in various fields of human activity. The problem we discuss here is the attempt to estimate the state of a stochastic process which is monitored by nodes-sensors. The nodes that constitute these networks usually have limited “sense” capabilities, which means that each node is unable to produce a good estimate of the state, using only its own measurements. Various techniques have been proposed to solve this kind of problems, such as the Central Kalman Filter or several decentralized approaches, which did have a high computational cost that renders them impractical, especially for networks with a high number of nodes. Thus, in the present work, , we construct low complexity algorithms for the implementation of a Distirbuted Kalman Filter, using as a tool the theory of Consensus Algorithms and assuming that all nodes are peers (peer-to-peer architectures), each node communicates only with its neighboring and no Fusion Centers exist. Τhus, we present three different iterative algorithms based on two different approaches and finally simulate and evaluate the performance of each of them.