多传感器信息融合(也称多源信息融合或多传感器数据融合)是一门新兴学科,它涉及到自动控制理论、计算机科学、数学、军事科学、人工智能、通信技术、电子技术等多学科交叉。广泛应用于国防、制导、跟踪、通信、信号处理、GPS定位和机器人等高科技领域。多传感器信息融合是使用多个传感器对同一目标进行检测,克服了单个传感器的局限性,从而提供更加全面准确的信息。多传感器信息融合估计作为多源信息综合处理的一项新技术,能够融合来自某一目标的多传感器检测数据或融合来自每个传感器的局部估计,产生比单一信息源更精确的估计。对带未知模型参数和未知噪声方差的多传感器伴随形、伴随形并联、伴随形串联系统,基于递推辅助变量算法(RIV)提出了等价的自回归滑动平均(ARMA)和自回归(AR)模型未知AR参数的在线信息融合估值器；利用相关方法提出了未知噪声方差的在线信息融合估值器；利用带死区的G-W算法提出了ARMA模型的滑动平均(MA)参数的在线信息融合估值器。它们具有一致性。将未知模型参数和噪声方差的在线信息融合估值器代入按分量标量加权的最优融合Kalman滤波器和Wiener滤波器中,提出了自校正信息融合Kalman滤波器和Wiener滤波器,且其精度高于每个局部自校正滤波器。用动态误差系统分析(DESA)方法,证明了这些自校正融合滤波器按实现收敛于最优融合滤波器,因而具有渐近最优性。将上述结果应用于信号处理,对于带未知模型参数和噪声方差的多传感器AR或ARMA信号,利用ARMA模型与状态空间模型的相互转化,将信号估计问题转化为状态估计问题。将未知模型参数和噪声方差的在线融合估值器带入到最优融合Wiener滤波器,提出了自校正信息融合Wiener滤波器。应用DESA方法,证明了这些自校正融合滤波器按实现收敛于最优融合滤波器,因而具有渐近最优性。大量的仿真例子证明了所提出结果的正确性和有效性。