混沌噪声背景下弱信号的检测是基于非线性系统的新型检测方式，是信号检测研究领域中的研究热点。已有混沌噪声背景下弱信号检测问题的研究都是在单传感器观测机制下进行的，本文考虑在多传感器观测机制下，混沌噪声背景中的弱信号分布式检测融合。
　　首先，通过对噪声和信号建模，本文将混沌噪声背景下的分布式检测融合问题抽象为一个假设检验问题。求解该问题的关键在于混沌噪声信号的处理，于是进一步将该问题分成两个步骤来实现，即混沌信号处理和分布式信号检测融合。
　　其次，引入相空间重构技术来建立混沌预测模型，对观测信号中的混沌信号进行剥离，得到一步预测。在建立混沌预测模型时考虑了线性自回归模型(LAR)和局部加权回归模型(LOESS)。仿真实验的结果表明，当观测信号只包含混沌信号和目标信号时，两种模型都能成功的剥离出混沌信号，一步预测误差中能明显反应出目标信号；当观测信号中包含混沌信号、目标信号和观测噪声信号时，这两种模型仅能剥离出混沌信号，但观测白噪声的影响无法剔除，通过一步预测误差很难直接检测出目标信号，而且此时LOESS模型的结果明显优于LAR模型。
　　最后，在利用LOESS模型对观测信号进行混沌信号预处理，得到一步预测误差的基础上，将预测误差视为新的观测信号，对目标信号进行检测融合。分别在并行结构和串行结构下，对分布式检测融合问题展开研究。在Bayes风险理论框架之下，以融合中心的Bayes风险最小为目标，以局部传感器的判决规则、融合中心的融合规则为决策变量，建立了优化模型。利用高斯赛德尔的思想设计了求解模型的迭代算法，对问题进行了求解。仿真实验的结果表明：文中提出的方法和模型能有效的检测出淹没在混沌信号、白噪声信号中的目标信号；LOESS模型对混沌信号的处理很成功，能在剥离混沌信号的同时尽量减小观测噪声的影响，得到的一步预测误差保留了目标信号的信息；融合中心的检测性能要普遍的优于局部传感器的性能，这种优越性将随着局部传感器个数的增加进一步扩大。