多传感器信息融合简称为信息融合，它是将各种信息进行多个级别、多个方面、多个层次的综合性的处理，这些信息是通过各个多传感器获得的，可以消除多传感器之间可能存在的冗余与矛盾，降低不确定性，从而产生有意义的新的信息，更丰富、更准确、更可靠，这是任一个传感器都无法获得的。近些年来，随着通信技术、计算机技术以及传感器的发展，特别是军事上复杂性的日益提高，多传感器信息融合技术迅速发展了起来。同时，它也引起多方研究者的高度关注，并广泛地应用在各个领域，如目标识别及跟踪、智能机器人、战场监视、医疗诊断、图像处理、遥感等等。时滞系统的状态估计问题是状态估计研究中还没有完全解决的问题。因而，在时滞系统中设计分布式滤波器是目前发展趋势的热点，具有重要的理论意义与实用价值。　　 基于奇异值分解(SVD)的原理及偏差补偿最小二乘的原理，对自回归(AR)模型，提出了一种偏差补偿最小二乘递推算法。由于协方差矩阵在实际系统中，对舍入误差很敏感，在传递信息的过程中使其失去对称正定性，从而影响递推算法的数值稳定性。新推导出的算法，会缓解或避免这一现象。将奇异值分解应用在多传感器信息融合中会有很大的前景。　　 在线性最小方差的意义下，对按矩阵加权、按标量加权与按对角阵加权这三种最优融合算法进行介绍。加权分布式的融合算法计算量小，容错性能很强，但它们局部是最优的，而在全局上是次优的。研究了它们的计算量及精度关系。　　 针对带有未知噪声方差的多传感器时滞系统，给出了一种自校正信息融合Kalman滤波器。首先是引入滞后算子，推出了MA新息模型，以此模型为基础推导出了一种递推参数估计器，在线辨识噪声方差阵及求解相关的函数方程组，用迭代法进而得出滤波误差方差阵估计值及互协方差阵估计，得到一致的参数估计值，从而得出自校正信息融合Kalman滤波器的设计方法，它有渐近最优性。