随着世界经济的发展,选择乘坐飞机出行的人逐年增多,导致航班数量上升。2014年的MH370坠机失踪事件所暴露出的飞行安全问题也引起了国家的重视,因此提高对空中目标的监视能力成为比较迫切的需求。航空监视信息融合作为航空监视系统中重要的一部分,是这个领域研究的重点。它通过将来自于多部雷达对同一飞行目标跟踪获得的航迹数据进行融合,形成精度更优的航迹。卡尔曼滤波算法是传统的航空监视信息融合算法。受到线性模型和其固定参数的影响,卡尔曼滤波存在对于动态环境自适应能力较差的问题。近年来深度神经网络发展迅速,其在学习未知事物方面有着特定的优势。本论文通过研究卡尔曼滤波以及多种常用的神经网络的特性,将卡尔曼滤波和神经网络进行组合,提出了两种新的单雷达监视信息滤波增强算法。分别将反向传播神经网络、广义回归神经网络与卡尔曼滤波进行组合;以及将卡尔曼滤波作为循环神经网络的神经元得到两种算法。在这两种算法的基础上,还提出了一种以预估误差为权值的实时多雷达融合算法。最后,基于这三种算法设计并实现了一个分布式航空监视信息融合系统,该系统完成了监视数据预处理、单雷达滤波增强、多雷达融合以及航班监控等功能。实验结果表明,本论文提出的单雷达监视数据增强算法相较于传统线性卡尔曼滤波算法在多数情况下精度有所提升。多雷达监视信息融合算法进一步降低了单雷达增强算法的误差,并减少数据波动。最终将雷达原始数据的平均误差从千米级别减少到百米左右,证明了算法的有效性。