随着通信技术、电子技术以及计算机技术等科学技术的发展,信息的形式复杂多样、信息的内容包罗万象、信息的数量空前浩瀚。在此背景下,单一传感器获取的信息总是不完整的,反映的是待测目标某一侧面的信息,而无法把握全局内容。因此有必要采用多传感器对待测目标进行多角度的探测,以获得关于目标更多维度的信息并对多维的信息进行融合。这样能保证信息的完整性和准确性,有助于我们决策判断。本文从同质多传感器(多个红外成像传感器)信息融合和异质多传感器(惯性传感器和定位传感器)信息融合两个方向对信息融合技术进行了研究分析。首先,本文对多传感器信息融合技术进行详尽分析,从多传感器信息融合的基本原理、融合过程、融合层次、体系结构以及常用融合算法等多方面进行了探讨。其次,在信息融合的理论基础上,本文主要对以下三个方面进行了研究:针对经典D-S证据理论合成高冲突证据时,会出现合成结果与常理相悖的问题,本文提出了一种基于证据信任因子的改进算法。首先计算出证据与整个证据集的欧式距离,然后根据欧式距离对证据信任因子进行取值,并赋予该证据相应的权重,最后将所有证据进行加权平均得到期望证据,并对期望证据进行合成。仿真结果表明,本文的改进算法不仅能有效合成高冲突度证据,而且合成性能优于经典证据理论和其他改进算法。针对D-S证据理论的基本概率赋值通常凭主观经验获取,导致决策可信度低的问题,本文提出了利用BP神经网络来获取基本概率赋值。因为BP神经网络具有强大的非线性映射能力,可以有效地映射出目标特征数据的内在关系。仿真结果表明,BP神经网络不仅能有效获取证据的基本概率赋值,并且将其与改进的D-S证据理论相结合进行目标识别时,识别精度高于其他算法。针对常规卡尔曼滤波算法在融合组合导航信息过程中,由于不具备自适应能力,可能出现发散问题,本文提出了一种改进的滤波算法。改进滤波算法是将Sage-Husa自适应滤波算法和常规卡尔曼滤波算法相结合,并作简化处理。这样,改进的滤波算法不仅具备自适应能力,而且它相较于Sage-Husa自适应滤波算法更加简捷,计算复杂度大幅度降低。仿真结果表明,本文改进的滤波算法,具有更好的收敛性和稳定性,导航信息的误差均值和标准误差都得到明显改善,从而证明了本文改进滤波算法的有效性。