多传感器信息融合即将来自不同传感器的信息合并成综合信息,它强调的是数据转移与合并中的具体方法与步骤,是执行结果的信息优化,其目的是得到高品质的有用信息,最后得到有利于决策的对被感知对象的更加精确的描述。首先,本文基于变量交互思想,将特征交互引入回归模型特征提取与分类。并将其用于4个UCI学习数据集合1个仿真数据实验中,实验证明交互信息广泛存在与各类事物中,是数据分类识别的重要贡献项,应加以利用。其次,在交互信息的基础上,我们分别引用了强弱分层两种约束方法来对主校应特征和交互特征进行建模。而后对此模型添加Lasso罚函数,以达到收缩模型系数,得到主校应稀疏与交互系数的稀疏解,增强模型稳定性,提高模型效率的目的。接着运用凸松弛技术优化代价函数,使其能够得到最优解。通过KKT条件与增广拉格朗日函数给出稀疏求解方法。进而在弱分层模型中应用广义梯度下降法迭代优化模型,而在强分层模型中,应用交替方向乘子法进行迭代求解。本文在多传感器数据集上进行实验,证明了特征交互对多传感器信息融合有贡献。而分层约束的加入,简化了模型内数据量,大大降低了时间损耗。最后,作者研究了分层交互logistic回归。首先定义了交互模型定义和分层约束条件,然后给出了凸松弛条件和基于最速下降法的系数求解方法。文章最后基于多传感器活动识别数据集、多传感器脑电数据集和肝炎数据进行3组实验。实验结果证明分层Lasso方法在处理数据存在交互特征时优势明显,并优于Lasso方法、全变量对Lasso方法,而且logistic弱分层模型最为高效,强分层模型最为稳定。