多传感器数据融合技术已广泛的应用于诸如自动目标识别、战场监督、交通管制等军事应用领域，以及诸如复杂机器系统的监控、机器人和医学诊断等非军事应用领域．通常，多传感器融合的数据与单源数据相比，有很大优越性．除了同源数据的简单组合（如：通过冗余的观测数据可以获得物理现象的更精确的估计）外，应用不同种类的多传感器也可以提高某些可观测量和可描述量的估计精度．另外，由于在军事应用领域强大的发展潜力，微机系统的快速更新换代，更先进的传感器的出现以及新的融合技术的发展，多传感器数据融合的性能不断获得新的提高．而近年来，小波分析成为一门迅速发展起来的新兴学科．其中在多尺度分析方面，多尺度信号和小波表示以及多尺度信号处理算法的研究日益成为国内外的研究热点．本文通过将多尺度信号表示和数据融合技术相结合，针对不同尺度上拥有不同特征的多传感器对同一随机现象(目标状态)进行观测的动态系统，在不同尺度上建立起多尺度随机动态模型，获得了一些有效的状态估计和重构算法．在每一种方法的最后，我们通过若干仿真实例进一步阐明了多尺度数据融合算法的进行过程，同时说明了算法的有效性．本文的主要学术贡献如下：1. 多传感器数据融合模型与算法综述．2. 提出了一种新的多尺度递归数据融合估计算法，并从理论上证明了算法在方差最小意义下的最优性．3. 基于Daubechies 4小波的低通滤波系数，发展了一种新的多尺度数据融合估计算法．4. 将小波变换与Kalman滤波技术相结合，给出了一种基于多传感器多尺度测量预处理的信号去噪新方法．