在军事领域，战场环境瞬息万变，单一信息源容易受到各种欺骗和干扰，且获得的信息往往不够全面，无法满足实际作战需要。基于多种数据源的信息融合技术能降低信息的不确定性，提升信息的准确性，成为研究热点。　　相对于传统的输出精确数据的传感器，如雷达等，软传感器是一种非真实传感器。它可以提供文本类的软信息（文本新闻等），也可以提供图像类软信息（照片图像等）。本文研究在线新闻和图像两类软信息的融合方法。　　对于文本新闻的特征提取中，采用考虑词条类分布的TFIDF改进算法，修正了传统TFIDF算法未考虑词条类间和类内的分布导致的信息缺失问题，为此，本文结合词条类分布提出改进的TFIDF算法，实现了基于VSM模型的文本特征提取。　　在照片图像的特征提取中，传统的词包模型采用稀疏采样的方式，这种方式不利于图像颜色特征的提取。本文基于BoVW模型，采用稠密采样，构建图像的基本颜色特征描述符，获得图像局部区域的颜色特征，用BoVW模型颜色特征直方图表达图像。　　在同一个事件的信息描述中，文本特征具有抽象语义，图像特征表示具体语义（如颜色、纹理等）。通过两种特征融合，可以得到更完整的事件特征表示。为此，本文提出了基于贝叶斯推理的多模态软传感器信息融合模型。由于文本特征和图像特征存在异类信息空间不匹配问题，首先将文本特征和图像特征映射到概率空间，再通过贝叶斯推理融合，构建基于文本和图像的多模态软传感器信息融合模型，用于事件类别判定和态势估计。　　基于开源文本集，通过实验了基于词条类分布的TFIDF改进算法的有效性;通过融合前后事件分类和态势估计效果的对比，基于贝叶斯多模态推理的软传感器信息融合模型能很好的融合异类数据源。实现的情报系统，可对新闻事件进行正确的态势估计。