随着科学技术的发展，特别是微电子技术、集成电路及其设计技术、计算机技术、近代信号处理技术和传感器技术的发展，多传感器数据融合已经发展成为一个新的学科方向和研究领域，并在军事和民用领域均得到了广泛应用。数据融合技术首先是从军事领域发展起来的，美国数据融合联合实验室((Joim Directorsof Laboratories Data Fusion Subpanel，JDLDFS)给出了在军事领域中应用最广的数据融合概念和模型。 本文在JDL模型的框架中分析了多传感器数据融合的一些关键技术，针对其中的几个问题如传感器管理、特征层数据融合算法及特征分析与提取技术、融合性能评估、数据融合中的态势评估等进行了深入的研究。论文的创新点如下： 1．提出了一种基于微粒群优化算法的传感器管理方法，依据最大化信息增量且最小化处理时间的优化准则设计了相应的目标函数，利用微粒群算法选择最优的传感器组。针对目标函数设计中出现的信息增量的测度问题，提出一种基于目标特征的信息增量测度方法，依据目标特征的隶属度，利用模糊K-L分辨力信息增量(Fuzzy K-L discrimination gain)测度系统信息增量。 2．提出了一种新的组合冲突模糊证据的特征层融合算法。研究了模糊信息的融合方法包括基于糗糊积分和模糊逻辑的特征层融合算法。针对小样本分类问题，在常用的模糊方法的基础上，实现了基于模糊积分的特征层融合算法。为了解决模糊逻辑推理过程中组合证据的方法过于简单容易丢失有用信息的问题，采用D-S证据理论进行模糊推理。分析了D-S证据理论融合方法的组合冲突证据的不足，提出一种组合冲突的模糊证据的特征层融合算法，并通过实验验证了算法的有效性。 3．提出了基于不确定性即信息增量的融合性能的定量自动评估方法。从信息论的角度来看，数据融合的目的就是通过增加系统的信息量消除系统的不确定性。本文将香农熵推广到D-S证据框架和模糊测度中，利用广义的香农熵测度信息的不确定性。通过测度融合前后系统不确定性的减少评价融合系统的性能，实现融合性能的定量自动评估。 4．提出了一种贝叶斯网络与条件事件代数相结合的态势评估方法。研究条件