多传感器数据融合技术将来自不同传感器的数据进行处理以得到比单个传感器更多,更精确的信息以提高系统的性能。近年来,随着在军事领域及民用领域的应用,数据融合技术越来越引起大家的研究兴趣。本论文主要研究了以下几个方面的内容:目标的状态估计、数据对准、航迹关联、航迹融合及仿真系统。　　 首先本文回顾了数据融合中的基本概念、原理、功能模型、结构及数据融合的研究意义、应用等。　　 然后本文对卡尔曼滤波、扩展卡尔曼滤波、UT变换卡尔曼滤波及粒子滤波等目标状态估计方法进行了研究,给出了计算机仿真结果及其性能对比。　　 在多传感器数据融合中,由于校正雷达的偏差是对来自不同传感器系统的数据进行关联的基础性问题,本文对基于地心坐标的最小二乘法(ECEF-GLS)和卡尔曼滤波偏差估计方法进行了研究。由于这两种算法是建立在已知相关联航迹基础上的,但由于航迹关联与偏差校正互为前提,在系统工作的开始,航迹关联信息往往是不知道的,所以其应用受到限制。为此本文研究了一种建立在剪枝法和卡尔曼滤波方法或最小二乘法基础上的偏差估计方法。　　 在系统进行信息融合前必须保证融合的数据来自同一个目标,文中给出了基于D-S证据理论的方法解决这一问题。然而在目标密集的环境中,由于目标距离较近会使一般的航迹关联算法性能下降导致航迹关联错误,因此在这种情况下有效的关联算法应该从全局来考虑。人们已经分别提出了Hopfield神经网络航迹关联算法,但是这些算法的共同前提是所有雷达都探测到相同的目标,但在实际应用中这是不现实的,为解决这一问题本文对连续状态Hopfield神经网络(CHNN)关联算法进行了推广,并进一步推广到三个雷达的情况。为提高该算法收敛速度对航迹间Mahalanobis距离做了重新定义。　　 为进一步提高CHNN方法的性能,本文尝试了用混沌神经网络(CNN)进行航迹关联的方法,仿真结果显示该方法比CHNN方法提高了航迹关联正确率。　　 本文还研究了两种航迹融合的算法:SF法和WCF法,并介绍了在实验室光电火控系统仿真平台上,构建了航迹融合仿真子系统的方法。