Enligt olika databehandlingsmetoder finns det tre arkitekturer av informationsfusionssystem: distribuerad, centraliserad och hybrid.

1) Distribuerad: Först behandlas de ursprungliga uppgifterna som erhållits av oberoende sensorer lokalt, och sedan skickas resultaten till Information Fusion Center för intelligent optimering och kombination för att få de slutliga resultaten. Distribuerad har låg efterfrågan på kommunikationsbandbredd, snabb beräkningshastighet, god tillförlitlighet och kontinuitet, men spårningsnoggrannheten är mycket mindre än den för centraliserad. Distribuerad fusionsstruktur kan delas upp i distribuerad fusionsstruktur med återkoppling och distribuerad fusionsstruktur utan återkoppling.

2) Centralisering: Centralisering skickar rådata som erhålls av varje sensor direkt till den centrala processorn för fusionsbehandling, vilket kan realisera fusion i realtid. Dess databehandlingsnoggrannhet är hög och dess algoritm är flexibel, men dess nackdelar är höga krav för processorn, låg tillförlitlighet och stor datavolym, så det är svårt att förverkliga;

3) Hybrid: I Hybrid Multi-Sensor Information Fusion Framework antar vissa sensorer centraliserat fusionsläge och resten använder distribuerat fusionsläge. Hybridfusionsramen har stark anpassningsförmåga, tar hänsyn till fördelarna med centraliserad fusion och distribution och har stark stabilitet. Strukturen för hybridfusionsläge är mer komplicerad än för de två första fusionslägen, vilket ökar kostnaden för kommunikation och beräkning.

Kalman Filter (KF)

Processen för informationsbehandling av Kalman -filter är i allmänhet förutsägelse och korrigering. Det är inte bara en enkel och konkret algoritm, utan också ett mycket användbart systembehandlingsschema i rollen som multisensorinformationsfusionsteknik. I själva verket liknar det många systems metoder för att behandla informationsdata. Det ger en effektiv statistisk optimal uppskattning för smältdata med hjälp av matematisk iterativ rekursiv beräkning, men det kräver lite lagringsutrymme och beräkning, så det är lämpligt för miljön med begränsat databehandlingsutrymme och hastighet. KF kan delas upp i två typer: distribuerat Kalman -filter (DKF) och utökat Kalman -filter (EKF). DKF kan göra datafusion helt decentraliserad, medan EKF effektivt kan övervinna påverkan av databehandlingsfel och instabilitet på informationsfusionsprocessen.