1.1 引言目前，多传感器信息融合系统设计还缺乏一个统一的规范，还找不到一个行之有效的方法。信息融合模型主要包括融合的功能模型、结构模型和融合的数学模型。功能模型是从融合的过程出发，描写信息融合包含哪些功能、数据库以及进行信息融合时系统各组成不认之间的星湖作用过程；结构模型从融合组成出发，说明信息融合系统的结构；数学模型则是信息融合算法和综合逻辑。这三大模型是任何一个融合系统都必须解决的，因此他们构成了融合系统的核心问题，其中又以数学模型为关键之关键，也是目前研究最多的一部分。
1.2 信息融合的功能模型信息融合的功能模型目前已有很多学者从不同的角度提出了信息融合系统的一般功能模型，最有权威的是美国三军政府组织的实验室理事联席会下边的技术委员会提出的功能模型。该模型把数据融合分为三级。第一级是单源或多源处理，主要是数字处理、跟踪相关和关联；第二级是评估目标估计的集合，以及他们彼此和背景的关系来评估整个情况；第三极用一个系统的先验目标集合来检验评估的情况。
1.2.1 分布式多传感器信息融合分布式多传感器信息融合是每个局部的传感器所获得的待估计参数模型或待决策现象的观测的同时，顺便给出估计或决策，并将他们的结果传递到融合中心，融合中心就将所有传感器的结果融合起来，得到最终的估计或决策。
1.2.2中心式多传感器信息融合中心式多传感器信息融合是传感器能够将观测完全传递到融合中心，就相当于融合中心直接获得了所有的观测，这样的融合方式叫做中心式多传感器信息融合。
1.3信息融合的层次化描述在实际环境中，各类传感器接收到的信息可能是实时信息，也可能是非实时信息;可能是快变的，也可能是缓变的;可能是模糊的，也可能是确定的;可能是相互支持或互补，也可能是互相矛盾或竞争。而多传感器信息融合的基本原理或出发点就是充分利用多个传感器资源，通过合理支配和使用，把多个传感器在空间或时间上的冗余或互补信息依据某种准则进行融合，以获得被测对象的一致性描述或解释，使该系统由此获得比其它各组成部分的子集所构成的系统更优越的性能。互补，也可能是互相矛盾或竞争。而多传感器信息融合的基本原理或出发点就是充分利用多个传感器资源，通过合理支配和使用，把多个传感器在空间或时间上的冗余或互补信息依据某种准则进行融合，以获得被测对象的一致性描述或解释，使该系统由此获得比其它各组成部分的子集所构成的系统更优越的性能。多传感器信息融合与经典信号处理方法之间存在本质的区别，其关键在于信息融合所处理的多传感器信息具有更复杂的形式，且可在不同的信息层次上体现。主要的信息表征层次有数据层、特征层和决策层。多传感器信息融合在不同问题领域采用不同的实现形式，因此我们难以对大量涌现的信息问题进行分类描述。一般来说，大多数的融合问题都是针对同一层次上的信息形式来开展研究的，因此我们根据融合系统所处的信息层次，对信息融合的方法进行简单的描述。
1.3.1数据层融合数据层融合的特点是直接在多传感器分布检测系统中的检测判决层或信号层上进行融合。属于底层数据融合，优点是信息量大！信息准确，缺陷是很难达到实时要求、数据通信量大、抗干扰能力差，同时要求各个传感器信息具有同质性，否则需要进行尺度校准。数据层融合通常用于多源图象合成，图象分析与理解等方面。
1.3.2特征层融合特征层融合是对各个传感器的原始数据进行特征提取后获得的信息进行融合。这些特征信息包括边缘、方向、速度、形状等。一般来说，形成特征的过程是一个较大幅度的信息压缩的过程，这为实时处理提供了前提条件。特征层融合可划分为两大类：目标状态信息融合、目标特性融合。（1）目标状态信息融合目标状态信息融合主要应用于多传感器的目标跟踪领域，目标跟踪领域的大量方法都可以修改移植为多传感器目标跟踪方法。融合系统首先对传感器数据进行预处理以完成数据配准，即通过坐标变换和单位换算，把各传感器输人数据变换成统一的数据表达形式，在数据配准之后，融合处理主要实现参数关联和状态估计。常见的是序贯估计技术，其中包括卡尔曼滤波和扩展卡尔曼滤波。（2）目标特征信息融合目标特征信息融合就是特征层联合识别，它实质就是模式识别问题。多传感器系统为识别提供了比单个传感器更多的有关目标的特征信息，增大了特征空间维数。具体的融合方法仍是模式识别的相应技术，但是在融合一前必须先对特征进行关联处理，再对特征矢量分类成有意义的组合。对目标进行的融合识别，就是基于关联后的联合特征矢量、具体实现技术包括参量模板法！特征压缩和聚类算法、K阶最近邻、神经网络等，除此之外，基于知识的推理技术也可应用于特征融合识别，但由于难以抽取环境和目标特征的先验知识，因而这方面的研究仅仅才开始。特征层融合无论在理论还是应用上都逐渐趋于成熟，形成了一套针对问题的具体解决方法。在融合的三个层次中，特征层上的融合可以说是发展最完善的，而且由于在特征层已建立了一整套的行之有效的特征关联技术，可以保证融合信息的一致性，所以特征层融合有着良好的应用与发展前景。
1.3.3决策层融合特征层融合无论在理论还是应用上都逐渐趋于成熟，形成了一套针对问题的具体解决方法。在融合的三个层次中，特征层上的融合可以说是发展最完善的，而且由于在特征层已建立了一整套的行之有效的特征关联技术，可以保证融合信息的一致性，所以特征层融合有着良好的应用与发展前景。决策层融合输出是一个联合决策结果，在理论上这个联合决策应比任何单传感器决策更精确或更明确，决策层融合所采用的方法有：Bayes理论、DS证据理论、模糊集理论及专家系统方法等。决策层融合在信息处理方面具有很高的灵活性，系统对信息传输带宽要求很低，能有效地融合反映环境或目标各个侧面的不同类型信息，而且可以处理非同步信息，因此目前有关信息融合的大量研究成果都是在决策层上取得的，并且构成了信息融合的一个热点。但是由于环境和目标的时变动态特性、先验知识获取的困难、知识库的巨量特性、面向对象的系统设计要求等，决策层融合理论与技术的发展仍受到一定的限制。
现有的信息融合的数学模型可分为三大类：（1）嵌入约束观点（2）证据组合观点（3）神经网络方法尽管有些方法还不尽完善，但这些方法和基于这些方法的具体算法确实解决了不少实际问题，也推动着信息融合技术发展。第三章多传感器信息融合的前景虽然数据融合已得到了广泛的应用，但至今为止未形成一套完整的理论体系和有效的融合算法。绝大部分都是针对特定的问题、特定的领域来研究，也就是说目前数据融合的研究都是根据问题的种类、特定的对象、特定的层次建立自己的融合模型和推理规则，有的在此基础上形成所谓的最佳方案。所谓的最佳准则、最佳判断等只是理论上通过．若应用到实际上还有很大的距离。即使在实际中得到了应用，也没有一个完善的评价体系对之作合理的评价。所以，多传感器数据融合系统的设计带有一定的盲目性，有必要建立一套完整的方法论体系来指导数据融合系统的设计。
具体的不足之处有：1）未形成基本的理论框架和有效广义模型及算法；
2）并联的二义性是数据融合的主要障碍；
3）融合系统的容错性或稳健性没有得到很好的解决；
4）对数据融合的具体方法的研究尚处于初步阶段；
5）数据融合系统的设计还存在许多实际问题。随着传感器技术、数据处理技术、计算机技术、网络技术、人工智能技术、并行计算机的软件和硬件技术等相关技术的发展，多传感器数据融合必将成为未来复杂T业系统智能检测与数据处理的重要技术。
从目前收集到的国内外研究资料来看，多传感器数据融合的研究方向归纳如下：
1）改进融合算法以进一步提高融合系统的性能。目前，将模糊逻辑、神经网络、进化计算、粗集理论、支持向量机、小波变换等计算智能技术有机地结合起来，是个重要的发展趋势。
2）如何利用有关的先验数据提高数据的融合性能，也是一个需要认真研究的问题。
3）开发并行计算的软件和硬件，以满足大量数据的计算复杂的多传感器融合的要求。
4）研究出能处理多传感器集成与融合的集成电路芯片，以及传感器模型和接口标准化是当前系统硬件的主要发展方向。
5）未知和动态环境中多传感器集成与融合的研究。
6）采用并行计算机结构的多传感器集成与融合的研究。
7）开展虚拟现实技术的研究，为多传感器数据融合研究提供理想的仿真平台。
随着科技的发展以及技术的进步，多传感器信息融合技术越来越广泛的应用于各种领域，尤其是军事方面的应用。信息融合技术能够综合各个传感器的不同信息，对目标信息进行预处理、关联、决策和融合。本文主要针对信息融合中的一些关键技术进行了理论研究，主要工作为：特征层融合是信息融合的重要部分，决策层融合是信息融合的关键部分，数据决策从多个目标中做出判决，以确定最终打击的目标“本文分析了常用的DS证据合成理论以及其改进方法。针对DS证据合成理论的不足，将信息嫡理论应用到数据决策中，该方法能够很好的解决DS证据理论出现的冲突过大、一票否决等问题，获得合理的融合效果。多传感器信息融合将来仍然有很长的路要走，需要不断克服各种困难，在现在的基础上，更好的被人们所利用，方便人们的生活。