数据融合技术解决了一些以往难以解决的信息处理问题,并提高了信息系统决策的准确性。但是,数据融合至今未形成基本的理论框架和有效的广义模型,在具体算法方面的研究还处于初始阶段。图像融合作为数据融合领域中重要的研究方向,在军事和民用上均有广泛的应用前景。本文以图像融合为研究对象,结合卡尔曼算法与集成学习的有关知识,从数据层融合和决策层融合的角度研究数据融合的模型及算法。本文提出了一种基于自适应卡尔曼的数据层融合模型及算法。该算法在基于卡尔曼的图像去噪算法基础上,利用传感器可信度计算方法对不同传感器进行权重分配,并以此调整传感器的测量误差协方差矩阵,以提高数据融合精度。本文还提出了一种基于集成学习的决策层融合模型及算法。首先通过基分类器评价算法剔除不合格分类器,再对分类器进行精确度和差异性排序,从而得到一组精度最高、差异性最大的分类器;然后通过FSE(Fast Strong-classifiers Ensemble)融合算法打破已有的样本分布,重新采样使分类器更多地关注难学习的样本,并以此决定各分类器的权重并集成。对于提出的模型和算法,均通过实验进行了性能验证,实验结果说明它们是有效可行的。最后,在所提模型与算法基础上,设计了基于集成学习的数据融合总体框架,并实现了面对图像融合的数据融合系统。该系统可实现对来自不同传感器的模糊图像的数据层融合以及决策层融合,可为军事或工业领域提供视觉质量更高、包含信息更丰富的融合图像,同时提高了图像识别的精确度和泛化能力。