通过对目标搜索区域不确定性定量描述的信息熵及信息熵变化而产生的信息增量，本文提出了一种多传感器对多目标进行检测与分类的优化算法，即针对每一检测单元计算该时刻的信息熵及预测下一时刻的信息熵，产生信息增量最大的检测单元就是下一次要搜索的单元，仿真结果证明了该算法的有效性．

对多个同类传感器的输出数据进行融合时多采用和权平均法，权的分配对融合效果的影响十分明显。作者利用多元统计理论分析了权的分配对融合精度的影响，推导出了权的最优分配原则，并采用多个陀螺仪对某一旋转角速度的实际测量进行了仿真，实验证实这种权的分配原则是最优的。

基于概率统计模型给出了一种多传感器对多目标检测与分类的优化算法，通过目标环境不确定性定量描述的信息熵及其发生变化而产生的信息增量，给出了一种基于最大信息增量的传感器对目标（静止或运动）的搜索方法，性能分析表明：与其它方法相比，该方法具有错误率低、效率高的特点。

介绍了基于多传感器信息融合技术的联合卡尔曼滤波器的一般设计方法，并将此方法运用于舰船INS/GPS/Loran-C组合导航系统中，理论分析与仿真结果表明，该联合卡尔曼滤波器的设计合理，算法具有全局最优性，能够提高系统的导航精度和容错能力。

多传感器信息融合技术引起了工业测量系统的改变，是智能仪表的发展方向。针对工业中干扰的特点，提出一种基于统计理论的信息融合方法，它采用高等数学的方法求解具有多变量约束条件的极值问题。从而得到最小方差的信息融合效果，以此方法可以提高系统的抗干扰能力和测量准确度，并通过实验测量进行了仿真以表明其正确、有效。

提出数据的统一线性融合模型，使测量数据、先验信息和预测信息均用数据的统一融合模型进行描述；提出数据的信息量的概念，指出信息量越大的数据，精度越高；提出和证明了基于统一线性融合模型的数据最优融合定理和信息量分解定理；揭示数据线性融合的本质规律。基于数据融合理论，研究多传感器系统联合Kalman滤波，指出信息量分享系数取值的不同只能够影响对应子系统状态的估计精度，不能够改变全局估计精度，得出与文献[11～15]相反的结论。

以存在随机扰动环境中的不同参数多传感器为研究对象，基于最小二乘原理，提出了一种加权融合算法，推导出各传感器的权系数与测量方差的关系。并且根据测量信息，提出了一种方差估计学习算法，实现对各传感器测量方差的估计，从而对各传感器的权值进行合理的分配。该算法简单，能快速、准确的估计出待测物理量的状态信息。