本文以现代防空指挥自动化系统为背景，以多传感器情报组网为对象，研究了数据融合系统中航迹关联和航迹状态估计融合的问题。本文把航迹关联问题按关联思路划分为三类，即两两关联、多维分配和目标分类。针对两两关联算法在运动目标出现交叉、分岔时，常出现错漏相关航迹，以及多维配分算法中计算量随着传感器和目标数量的增加呈指数增长的现象，本文提出一种基于目标分类思想的改进Kohonen神经网络航迹关联算法。该算法由聚类关联、目标状态估计、神经元优化、状态融合估计等模块组成。通过给每个神经元上加一个合适的阈值，有效避免了常规的Kohonen神经网络因初始权值选择不合适而容易造成坏死神经元的问题。进一步设计了自组织竞争神经网络学习规则，将多传感器在同一时刻的测量数据进行自组织聚类，从而实现测量数据的有效关联。最后，利用连续时间下的关联数据，实现运动目标航迹关联。通过对模拟真实飞行目标航迹关联的仿真实验，并与前两种思路算法纵向对比以及和常规Kohonen神经网络横向对比，验证了该算法的可行性和有效性。本文进一步分析了现有的航迹状态估计融合中存在的问题。首先，在以往解决航迹融合问题时，只从融合策略的性能的角度去考虑，而不会从提供数据信息的传感器自身可信任程度去考虑。然而，即便传感器的分辨率相同,如果所受干扰不同,则它提供的数据信息的可信度也会不同；尤其在杂波密度较大、目标测量数据较多的情况下,数据源的可信度直接影响到系统的可靠性和有效性。其次，在设计数据融合系统时，寻求性能最优的算法当然是必然的目标，但也要考虑计算机承受能力、运算量和系统的通信能力等诸多影响算法执行效果的因素。然而，一些优化效果好的算法通常都比较复杂且计算量大。基于以上两个方面的原因，面向工程实践要求简单实用的原则，提出解决航迹状态估计融合问题的加权数据融合算法。同时，鉴于权值的分配依赖于各传感器输出航迹的精度，本文进一步提出一种采用高可信度传感器，基于精度设置权重的改进加权数据融合算法。利用各传感器间隶属关系给出更精准的目标初始位置中心点，弥补了动态权值分配算法中由于个别孤立点的存在导致初始位置中心点的选择置信度不高的缺陷。通过模拟航迹状态估计融合，对比可信度求解前后的融合误差，得出可信度高的传感器。分别采用加权数据融合算法、权值动态分配算法、改进的权值动态分配算法对三个目标航迹融合具体问题进行仿真研究，仿真结果验证了该算法的可靠性。