本文从硬决策融合和软决策融合两个方面对判决层数据融合算法进行了研究。硬决策是传感器向融合中心报告的关于观测数据的唯一确定的假设判定，而软决策是关于观测数据的多个假设判定，并且带有对每个假设的信任度或不确定性的量化度量。本文在对现有的基于概率、概率区间以及模糊集理论等主要决策融合方法进行研究之后，提出了基于模糊测度和模糊积分的决策融合算法，用模糊测度表征对传感器局部决策的信任程度，模糊积分运算被用作决策融合规则。当用于硬决策融合时，本文证明了模糊积分方法满足有效决策融合规则的必要条件，并且当对所有传感器的局部决策具有相同的置信度时，等价于目前广泛使用的表决决策融合规则—K/N规则；当对所有局部决策的信任度不同时，模糊积分决策融合方法优于K/N规则。本文分析了模糊积分的非线性加权中值特性，将其作为一种折衷算子用于软决策融合。数值计算和多模式分类实验结果充分表明了本文提出的模糊积分决策融合方法的可行性。 当模糊积分方法用于决策融合时，表示对传感器局部决策信任度的模糊测度由模糊密度值确定，模糊密度值直接决定着融合系统的性能。本文提出了一种由训练样本确定模糊积分密度的学习算法，学习过程使用遗传算法和Powell方向加速法相结合的混合优化算法。实验结果表明，这种方法有效可行，具有较好的精度和收敛性，即使是在训练样本较少的情况下，所得到的最优模糊密度值仍能较好地反应出传感器的决策特性。 作为硬决策融合的典型应用，分布式检测系统的优化设计和性能分析研究具有重要的实际应用价值。本文提出了一种基于进化计算方法和Powell方向加速法的混合优化算法，用于分布式CFAR检测系统的优化设计。实验结果表明，和目前采用的牛顿-拉斐森算法相比，本文提出的混合算法无须计算目标函数的梯度信息，可以增加更多的约束条件，具有更好的收敛性和计算精度。文中对分布式检测系统的检测性能与融合规则和信噪比的关系的分析和研究对分布式雷达网的设计和优化具有重要的参考价值。