带量化观测系统在网络化和信息化的环境下大量涌现，现已被广泛应用到实际生产生活中，尤其是在数字信号传输、智能传感器网络、生物医疗等与现代化紧密相关的领域当中。然而，当前对于带量化观测系统的理论研究仍有待进一步发展，主要困难在于量化观测提供的系统可用信息较少、多传感器提供的不同类型观测信号带来了辨识过程中的数据融合问题。　　对此类系统的已有研究主要集中在利用量化观测进行参数辨识以及不同种类数据之间融合处理两方面。对于前者，有关算法因输入条件的限制使得它们难以满足适应控制的要求;对于后者，不同类型的数据所使用的辨识方法不同，如何在已有的多种辨识方法上进行多传感器信息融合，使得即使面对带有多传感器的复杂系统时仍能得到具有良好收敛性的参数估计，是我们所要面临的挑战。本文从相对简单的系统模型着手来探索带量化观测系统的辨识与融合，主要结果如下:　　首先，本文研究了精确观测信号与量化观测信号并存的FIR系统辨识问题。针对带有两种不同类型观测信息的FIR系统，在现有的最小二乘估计及基于集值估计的算法基础上提出了对两种不同类型观测数据的融合加权算法，分析了算法的强收敛性以及在Cramér-Rao下界意义下的渐近有效性。　　第二，研究了带量化观测及量化输入FIR系统辨识在输入条件上的扩展。针对此类系统，引入了输入占比下极限的概念，保证了算法的强收敛性并得到相关收敛速率。通过对算法中加权矩阵的适当选取，保证了算法的渐进有效性，扩大了算法所使用的范围。　　第三，研究了多噪声背景下带量化观测FIR系统辨识问题。对不同噪声背景下产生的不同量化观测信息，提出了融合辨识算法，并证明了算法的强收敛性和渐近有效性。