决策融合因其通信量小、容错能力强、对传感器同质性要求低等优点而被广泛地应用于多传感器数据处理。决策融合算法的优劣直接影响到整个决策系统的性能。为了突破现有决策融合算法的局限性，使得融合系统在共性或特性情况下都能对各类局部决策进行融合并得出更加正确的结果，本文以Bayes决策理论为基础，从概率决策的思想出发，提出了最大联合概率(MJP)决策融合算法及其对应不同决策环境的调整方法。并从理论推导、数值模拟分析和实验等多方面对MJP算法进行了较为完整的研究。 分析了多假设决策融合问题的共性，为其建立通用的数学模型。在此基础上理论证明MJP算法是各假设概率和局部决策概率已知情况下错误概率最小的决策融合算法。通过模拟算例分析总结了局部决策个数、局部决策正确概率和假设个数等决策参数对于全局决策正确概率的影响规律。 建立了MJP决策融合网络，提出了自适应MJP决策融合算法，使得决策融合系统即使在各局部决策概率未知或变化的情况下，仍能够通过自动的无监督学习，获得权重并适应决策环境的变化，从而对各局部决策进行融合。理论证明和数值模拟验证了自适应MJP决策融合算法的收敛性。提出了权重更新速度的调整方法。 针对结构损伤检测决策融合的特性，提出了多分辨率和多损伤MJP决策融合算法，使得损伤检测系统在多个位置同时发生损伤的情况下仍可以将表征结构有无损伤、损伤位置、损伤程度等不同精细等级上的局部损伤检测结果进行融合，得出正确概率更高的所有精细等级上的最终决策结果。为了使得结构损伤检测更好的为结构健康维护工作服务，提出了能够制定复查方案的决策融合算法。并在定义复查成本之后，提出了复查成本最小的决策融合算法。 为使结构损伤检测与MJP决策融合有机地结合并能有效地执行，建立了适用于有模型(有限元模型)损伤检测方法的数据处理系统。通过对一个悬臂梁结构的进行模型损伤实验以及对实验数据进行分析，验证了MJP决策融合算法和数据处理系统的有效性。实验说明在现有决策算法或损伤检测方法的基础上，决策融合系统采用MJP算法将各局部决策进行融合即可得到更具全面性和正确性的结果。