随着科学技术的发展，特别是微电子技术、集成电路及其设计技术、计算机技术、近代信号处理技术和传感器技术的发展，多传感器数据融合已经成为一个新的学科方向和研究领域。它是一个将来自多个传感器的信息进行综合处理的过程，旨在得到更为准确、可靠的结论，以便更好地了解研究对象。
　　本文指出了数据融合中最为关键的几个问题——数据关联、状态估计和目标识别并围绕它们进行了深入的研究。
　　提出了一种新的模糊数据关联算法。传统的模糊数据关联算法对每个目标分配一个点迹作为其该时刻的测量点迹，它忽略了噪声及干扰所带来的信息不确定性及模糊性，在目标密集时易产生关联错误。新算法借鉴了概率数据关联算法的思想，把模糊均值聚类后得到的隶属度值视为相应关联事件的概率，并将其作为加权系数对目标有效回波的新息量进行加权得到该目标的总新息量。
　　采用多速率模型交互滤波实现了目标全速率跟踪。在状态估计问题中，着重讨论了机动目标的跟踪算法，其中包括“当前”统计模型自适应卡尔曼滤波算法和交互多模型滤波算法。该文将“当前”统计模型（机动模型）和常速率模型（非机动模型）进行交互滤波实现了对机动目标的自适应跟踪。此外，为了提高状态估计方法的抗噪声性能，引入多速率模型。它通过对观测序列进行低分辨分解抑制了观测过程中引入的噪声，因此有效地提高了信噪比。基于此，文中采用“当前”统计模型和常速率模型变换得到的多速率模型进行交互滤波，并提出了交织多次滤波结果以实现全速率目标跟踪的方法，它在保证对目标自适应跟踪的同时大大提高了跟踪精度。
　　此外，该文还详细阐明了在多传感器数据融合中目标识别的证据推理方法，对同类证据及不同类证据融合识别的各种情况分别进行了分析和讨论。