多传感器融合是把多个传感器所提供的局部环境的不完整信息加以综合,形成对系统环境的相对一致的感知描述,是一个涉及到信息科学、计算机科学、自动化化科学的复合型学科,是一个正处于发展中的研究方向。本文阐述了融合系统的各个组成部分,分析了目前存在的问题,指出了信息融合的发展方向,着重就融合系统的结构和算法进行了分析研究。介绍了多传感器融合的三大模型——功能模型、结构模型和数学模型。结合众多的相关文献,对功能模型、结构模型进行了详细的分类和介绍。基于参数推理技术的融合方法最常用的是贝叶斯推理和D-S证据理论。贝叶斯推理和D-S证据理论是基于统计理论的融合方法,需要根据观测空间的先验信息,实现对观测空间里的对象进行识别。本文对这两种方法进行了理论介绍,并结合实验仿真验证了这两种融合方法的有效性。研究了多传感器信息融合中的不确定性信息融合问题,运用模糊积分理论解决FEI-DEO(特征输入—决策输出)和DEI-DEO(决策输入—决策输出)融合模式下的信息融合问题,通过实验仿真证明了模糊积分方法提高了系统的不确定信息的处理能力和系统的智能度。另外还提出了一种基于模糊理论和最优加权相结合的融合方法,结合了模糊理论和最优加权这两种方法的优点,提高了融合的精度和系统对于不确定性信息的处理能力。探讨了利用两种典型的神经网络——BP网络和径向基函数(RBF)网络进行多传感器融合的融合模型和融合机理,首先利用样本信息进行神经网络的训练,然后将训练好的网络作为状态分类器,进行多传感器融合的目标识别。不仅提高了融合系统对于不确定性信息的处理能力,而且加快了融合系统的融合速度。