信息融合是生物特有的一项属性特征,属于动植物感知周遭环境变化和行为活动的根本,是生态系统中普遍存在的现象。将人类的眼、耳、鼻、皮肤及四肢作为传感器,使用目前收集到环境状况、声音、气味等信息和已有的先验信息去预测、判断正在或者即将要发生的事实。由于存在环境噪声和设备故障,使得单一的传感器获取到的信息具有局限性和不全面性,导致采集到的传感器数据不可靠、不可信。因此自动化工业中,数据融合就要协调使用多传感器去采集目标信息,扩大单一传感器的数据收集范围,从而进行多层次、全方位、多角度的信息处理、参数融合估计以获得目标状况与特征预测的一种多级信息自动处理。本文基于多传感器信息融合研究中所触及到的知识理论与应用系统的实际问题,都进行了深层次的探索。首先定义了多传感器信息融合的概念并对相关理论技术进行了概述,详细介绍了多传感器信息融合的应用算法,且将数据融合层次分为三层,分别为数据层、特征层、决策层。针对性地研究数据层上的自适应加权算法,对于其存在噪声、精度较低及抗干扰性差的问题,提出消除异常数据的存在,利用数据的冗余性,增加置信度,寻找信任度最高的超数据,填充被剔除的异常数据,减少模糊性;在环境可能会产生改变,系统中的硬件设备会部分破损故障的情况下,仍能保持数据结果高质量的精度融合。论文的重点工作如下:由于环境干扰、系统噪声、设备故障的原因,在传感器进行原始数据样本采集时,就会出现数据误差,利用分布图法,将数据样本按序排列,比对分析处理结果,排除可疑数据或异常数据,形成可信数据集;运用置信矩阵和关系矩阵计算最佳数据集及被支持最高的传感器数据,即超数据的产生;最后利用超数据替代可疑数据或异常数据,在总方差误差最小的状态,对各传感器分配权重评价因子进行目标参数估计。经试验测试,其优化后的融合结果,不仅可以减少冗余数据量,还可以提高参数估计的精确度与鲁棒性。