本文力图从机理上研究特征融合模型并给出支持模型的算法和实例。作者在阅读大量文献的基础上,首先对数据∕信息融合(后称信息融合)技术的定义、国内外发展概况及应用领域做了系统的整理;对融合层次的概念进行了新的补充;更细致地总结了特征级融合的体系结构及常用技术;指出面对迅速膨胀并时刻变化的大量动态信息,融合技术面临新的挑战——如何筛选出有价值的内容作为融合依据。作者提出了自己的设想和解决方案。面对动态大信息“堆”,完备的融合机制应具有对可获取信息的选择能力——兼顾信源与问题的相关性及信息的时效性,只融合那些经过筛选的有价信息。作者受知识发现和数据挖掘中信息选择结构的启发,拟将其引进信息融合模型,同时考虑到融合更强调多源异类信息时间与空间的协同/互补性,给出一种新的融合机制,能够从协同∕互补的角度出发,兼顾多源动态特征级融合的特殊性,对来自大量信源的源源不断的信息,在相关信源、时间段未知的情况下,依靠自身的识别能力从序列中挑选出需要的信源和时间片段,使融合机制能够面对复杂环境。进一步给出该机制下的一个具体融合模型,使用切片序列完成对动态信息的采集,采用提取的方法实现信源和切片序列的自选择,并通过重构生成动态示例;提出两个空间模型组成的融合时空模型能够在融合过程中对切片和选择的方式进行自调整,以获得完备的先∕后验知识,强调发现∕挖掘与协同∕互补的并行性,强调模型的可实现性和实用性,对特征级融合中的不确定性问题进行详细分析并提出增强紧致性、降低不确定性的解决策略。给出一种新的使用互信息描述融合系统的实现算法,将每次学习中获得的互信息——信息增益(information gain)作为融合机制的获益尺度及时空相关性选择的依据,在熵的基础上,使用互信息衡量系统的稳定性更恰当;本文给出的融合算法是对决策树算法ID3 的改进,增强对相关性的关注和描述动态相关的能力,能够采集多信源的时间序列进行融合,根据一致性评价结果,筛选出相关规则,淘汰虚相关,使其具有处理多元动态问题的能力。利用新方法处理分类问题时,除了依据特征值外,还可对特征在一定间隔内的变化信息以及特征间动态协同∕互补性相关三项因素进行综合判断。为了验证算法的有效性,将其用于水电厂运行状态评价,详细分析了算法的