近年来，随着计算机技术、通讯技术的发展，特别是军事上的迫切要求，多传感器信息融合技术得到了迅速的发展。信息融合作为一门跨学科的综合信息处理理论，涉及系统论、信息论、控制论、人工智能和计算机通信等众多的领域和科学，它被广泛应用于自动目标识别、战场监视、自动飞行器导航、机器人、遥感、医疗诊治、图像处理等领域。信息融合技术首先应用于军事领域，包括航空目标的探测、识别和跟踪，以及战场监视、战术态势估计和威胁估计等；在地质科学领域上，信息融合应用于遥感技术，包括卫星图像和航空拍摄图像的研究；在机器人技术和智能航行器研究领域，信息融合主要被应用于机器人对周围环境的识别和自动导航；信息融合技术也被应用于医疗诊断以及一些复杂工业过程控制领域。

　　（２）关联的二义性。在一个多传感器系统中，每一种传感器所提供的数据不可避免地受环境状态和传感器本身特性的制约，因而不同的传感器对环境中同一特征所测的数据有时彼此差别很大甚至是矛盾的，这就造成关联的二义性。如何降低关联的二义性是信息融合研究必须解决的问题。

　　（３）信息融合方法与融合系统实施存在问题。目前，大多数信息融合是经一种简单的方法合成信息的，并未充分有效地利用多传感器所提供的冗余信息，融合方法研究还处于初步阶段，而且目前很多研究工作是基础研究和仿真工作。因此，信息融合系统的设计实施还存在许多实际问题：传感器动态测量误差模型的建立、传感器系统优化、复杂动态环境下系统实时性、大型知识库的建立与管理，与其他领域的很多新技术的“嫁接和融合”，如人工智能技术、神经网络计算、虚拟实现技术等。５多传感器信息融合技术研究方向展望（１）确立具有普遍意义的信息融合模型标准和系统结构标准。目前已有的信息融合模型大都脱胎于军事应用领域，具有较浓重的军事应用色彩，而且对系统的融合层次架构存在着不同的看法，因此需要确立较为统一的标准，以方便相互交流。（２）将信息融合技术应用到更广泛的新领域。虽然信息融合已经从军事领域扩展到民用领域，但是它涉及的领域还有扩展的余地，比如说智能建筑系统集成等。

　　神经网络算法是在现代神经生物学和认知科学对人类信息处理研究成果的基础上提出的，它具有良好的容错性、层次性、可塑性、自适应性、联想记忆和并行处理能力。４多传感器信息融合技术存在的问题

　　（１）未形成基本的理论框架和广义融合算法。目前，绝大数的融合研究皆是针对特定的应用领域的特定问题展开的。即根据问题的种类，各自建立直观的融合准则，形成“最佳”融合方案，未形成完整的理论框架和融合模型，使得融合系统的设计具有一定的盲目性。

　　证据理论是对概率论的扩展，依据信任函数运算，解决了一般的不确定问题。它能融合不同层次上的属性信息，能区分不确定性信息与未知性信息，还能较好地解决报告冲突，容错能力强，但是证据理论也存在着不足，即证据冲突的情况下，Ｄ－Ｓ证据组合将无法进行或组合结果与实际不相符合。３．３模糊集方法该方法是用某种模型，系统地反映数据融合过程的不确定性，并通过模糊推理来完成数据融合。

　　决策层Hale Waihona Puke Baidu合是指在每个传感器对目标做出识别后，将多个传感器的识别结果进行融合（见图４）。由于对传感器的数据进行了浓缩，这种方法产生的结果相对而言最不准确，但它对通信宽带的要求最低。

　　对于多传感器融合系统特定的工程应用，应综合考虑传感器的性能、系统的计算能力、通信宽带、期望的准确率以及资金能力等因素，以确定哪种层次是最优的。另外，在一个系统中，

　　多传感器信息融合，又称多传感器数据融合，指的是对不同知识源和多个传感器所获得的信息进行综合处理，消除多传感器信息之间可能存在的冗余和矛盾，利用信息互补，降低不确定性，以形成对系统环境相对完整一致的理解，从而提高智能系统决策和规划的科学性、反应的快速性和正确性，进而降低决策风险过程。图１是多传感器信息融合的示意图，传感器之间的冗余信息增强了系统的可靠性，多传感器之间的互补信息扩展了单个传感器的性能。

　　国内外多传感器信息融合的方法主要有：概率论方法、Ｄ－Ｓ证据推理、模糊集合理论、神经网络方法。

　　概率论方法较早应用于信息的融合。这种方法首先对各种传感器信息作相容性分析，删除可信度很低的错误信息，在假设已知相应的先验概率的前提下，对有用的信息进行贝叶斯估计，以求得最优的融合信息。Ｈ.Ｐａｎ等认为，贝叶斯方法的优点是简洁，易于处理相关事件；缺点是不能区分不知道与不确定的信息，而且要求处理的对象相关。特别是在实际应用中很难知道先验概率，当假设的先验概率与实际矛盾时，推理的结果会很差，在处理多重假设和多重条件时会显得相当的复杂。３．２证据理论

　　一般而言，多传感器融合系统具有以下优点：一是提高系统的可靠性和鲁棒性，二是扩展时间上和空间上的观测范围，三是增强数据的可信任度，四是增强系统的分辨能力。２多传感器信息融合的层次问题

　　在此，主要介绍普遍为学者所接受的３层融合结构，即数据层、特征层和决策层。

　　数据层融合见图２，首先将全部传感器的观测数据融合，然后从融合的数据中提取特征向量，并进行判断识别。这便要求传感器是同质的，如果多个传感器是异质的，那么数据只能在特征层或决策层进行融合。数据层融合不存在数据丢失的问题，得到的结果也是最准确的，但对系统通信带宽的要求很高。特征层融合见图３，每种传感器提供从观测数据中提取有代表性的特征，这些特征融合成单一的特征向量，然后运用模式识别的方法进行处理。这种方法对通信带宽的要求很低，但由于数据的丢失使其准确性有所下降。

　　必一运动

　　传感器获得的信息有３类：冗余信息、互补信息和协同信息。冗余信息是由多个独立传感器提供的关于环境信息中同一特征的多个信息，也可以是某一传感器在一段时间内多次测量得到的信息。在一个多传感器系统中，若每个传感器提供的环境特征是彼此独立的，即感知的是环境各个不同侧面的信息，则这些信息称为互补信息。在一个多传感器系统中，若一个传感器信息的获得必须依赖另一个传感器的信息，或一个传感器必须与另一个传感器配合工作才能获得所需的信息时，则这两个传感器提供的信息称为协同信息。