所谓多传感器信息融合（Multi-sensor Information Fusion,MSIF），就是利用计算机技术将来自多传感器或多源的信息和数据，在一定的准则下加以自动分析和综合，以完成所需要的决策和估计而进行的信息处理过程。

多传感器信息融合技术的基本原理就像人的大脑综合处理信息的过程一样，将各种传感器进行多层次、多空间的信息互补和优化组合处理，最终产生对观测环境的一致性解释。在这个过程中要充分地利用多源数据进行合理支配与使用，而信息融合的最终目标则是基于各传感器获得的分离观测信息，通过对信息多级别、多方面组合导出更多有用信息。这不仅是利用了多个传感器相互协同操作的优势，而且也综合处理了其它信息源的数据来提高整个传感器系统的智能化。

根据数据处理方法的不同，信息融合系统的体系结构有三种：分布式、集中式和混合式。

1、分布式：先对各个独立传感器所获得的原始数据进行局部处理，然后再将结果送入信息融合中心进行智能优化组合来获得最终的结果。分布式对通信带宽的需求低、计算速度快、可靠性和延续性好，但跟踪的精度却远没有集中式高；分布式的融合结构又可以分为带反馈的分布式融合结构和不带反馈的分布式融合结构。

2、集中式：集中式将各传感器获得的原始数据直接送至中央处理器进行融合处理，可以实现实时融合，其数据处理的精度高，算法灵活，缺点是对处理器的要求高，可靠性较低，数据量大，故难于实现；

3、混合式：混合式多传感器信息融合框架中，部分传感器采用集中式融合方式，剩余的传感器采用分布式融合方式。混合式融合框架具有较强的适应能力，兼顾了集中式融合和分布式的优点，稳定性强。混合式融合方式的结构比前两种融合方式的结构复杂，这样就加大了通信和计算上的代价。

(1)卡尔曼滤波（KF）

卡尔曼滤波处理信息的过程一般为预估和纠正，他对多传感信息融合技术的作用中不仅是个简单具体的算法，而且也是一种非常有用的系统处理方案。事实上，它与很多系统处理信息数据的方法类似，它利用数学上迭代递推计算的方法为融合数据提供行之有效的统计意义下的最优估计，但是对存储的空间和计算要求很小，适合于对数据处理空间和速度有限制的环境下。KF分为分散卡尔曼滤波（DKF）和扩展卡尔曼滤波（EKF）两种。DKF能使数据融合完全分散化，而EKF能有效克服数据处理的误差和不稳定性对信息融合过程产生的影响。

(2)人工神经网络法

这种方法通过模仿人脑的结构和工作原理以传感器获得的数据为网络的输入，通过网络的训练在相应的机器或者模型上完成一定的智能任务来消除非目标参量的干扰。神经网络法对于消除在多传感器在协同工作中受各方面因素相互交叉影响效果明显，而且它编程简便，输出稳定。

多传感器信息融合技术的应用领域广泛，不仅应用于军事，在民事应用方面也有很大的空间。军事应用是多传感器信息融合技术诞生的奠基石，具体应用包括海洋监视系统和军事防御系统。在民事应用领域方面，主要用于智能处理以及工业化控制，智能处理包括医药方面的机器人微型手术和疾病监测尤其是智能家居等方面。

多传感器信息融合技术存在的问题

1、关联的二义性是技术的首要不足，在一个多传感器的系统中，各个分散的传感器获得的数据会不可避免地受到许多因素制约（如环境状态和传感器本身的特性），因而要想更好的发展多传感器的融合技术，降低关联的二义性这个问题要得到充分关注；

2、基础的理论体系和完善的融合算法有待完善。因为绝大多数的融合技术都是在特定的应用领域上开展的。我们必须针对实际问题来建立直观的融合准则，形成有效数据融合方案。如果有了完善的理论体系和融合模型，就能避免融合技术的盲目性。如异步信息融合算法，量子神经网络信息融合故障诊断方法，自组织映射神经网络信息融合方法等，都是值得关注的新方法。

3、信息融合系统与融合方法在实施中还面临许多问题。如各种融合模型的建立，以及各种传感器的资源分配和信息管理方法都是现阶段信息融合领域亟待解决的关键技术。

信息融合系统是一个具有强烈不确定性的复杂大系统，处理方法受到现有理论、技术、设备的限制。虽然这是一门新发展的学科，很多理论还不健全，但随着各种新兴的相关学科技术的发展，它将不断完善，并得到更多的实用价值。