本文研究了多传感器信息融合与智能信息处理领域中的若干个问题。 首先研究多传感器融合在移动机器人导航中的应用。包括移动机器人的融合自定位问题：移动机器人利用光电编码器进行自定位，同时用扩展卡尔曼滤波器融合多个超声波传感器的测量值，采用回朔算法将融合值用于复位光电编码器，消除了光电编码器累积误差的影响，并能满足实时控制的要求：并提出一种基于Takagi-Sugeno模型的变结构模糊神经网络直接逆模型控制器，并应用于移动机器人的运动控制；利用模糊神经网络避障控制器融合CCD摄象机与超声波传感器探测到的环境信息，以实现机器人的安全避障。仿真实验说明了，提出的多传感器融合方法运用在移动机器人导航中的有效性。 将Dempster-Shafer理论与神经网络相结合，在时间域对多传感器的多次测量进行融合，以进行识别分类。该算法充分发挥了证据理论和神经网络各自的优点。工件识别系统实验表明该算法有效地提高了工件的识别率。 提出了分别基于Dempster-Shafer组合公式和两类模糊积分(Sugeno积分和Choquet积分)进行多个神经网络分类器组合的算法，这两种算法都考虑了每个分类器对不同类的识别能力的不同这一经验知识。将其应用于UCI数据库的分类和一个多传感器融合工件识别系统，结果表明了所提出算法的有效性。 粗糙集数据分析的主要优点在于它不要求任何关于被处理数据的先验或额外的知识，本文利用其对数据库进行分析计算， 自动获取数据库在各个层次上的规则集：在保证量化后的数据库具有最大一致性的前提下，利用遗传算法求取连续属性值的最优量化区间个数及各个区间分点值；同时将量化区间进行模糊化，将多层次清晰规则集转化为模糊规则集，利用模糊推理进行决策以提高鲁棒性。对UCI数据库的分类测试体现了该粗糙集数据分析算法的有效性。 提出了粗糙信息熵的概念，证明了粗糙集理论中知识不确定性与其所对应的粗糙信息熵之间的单调关系。并研究了与普通集合和模糊集合的不确定性相对应的粗糙信息熵，以及这两种集合的不确定性与其对应的粗糙信息熵之间的单调关系。利用粗糙信息熵的概念，能够从信息的角度充分反映不确定性的本质。并提出一种基于熵测量的属性简约算法，将其用于Iris数据库和Hsv数据库的属性简约，得到了理想的结果。