本文以视像内容分析为应用背景，研究了信息融合技术三个方面的问题：决策融合中的序融合问题，数据融合中的数据规格化问题和特征融合中视像概念时间聚集性的利用问题。尽管序融合是鲁棒、有效而且广泛应用的决策融合方法，但是它改善二类决策效果的原理却一直没有定论。常见的序融合方法大多是启发式方法，不仅实际效果不尽人意，而且由于其原理缺乏明确的解释和理论基础，其各种改进也只能停留在启发式的阶段。针对这种情况，我们探讨了二类决策中序融合的概率意义，并运用顺序统计量的性质，提出了“概率模型支持的序融合”（PMSRA）的理论框架，为二类决策结果的序融合建立了适当的概率模型，为序融合的进一步研究提供了理论基础；同时我们也提出了“概率模型支持的贝叶斯序融合方法”（贝叶斯PMSRA方法），并在视像概念检测的应用上对其效果进行了检验。实验结果显示，贝叶斯PMSRA方法与其它方法相比具有效率高和鲁棒性强的巨大优势，验证了我们理论框架的合理性和融合方法的有效性。最后，我们用跨模态学习的商空间理论模型对PMSRA框架进行了概括，指出PMSRA是商空间理论的一个实例，揭示出PMSRA的跨模态学习的本质。数据规格化是信息融合的第一步。本文指出了传统数据规格化方法在估计数据分布位置和范围方面的低效和对分布的依赖性，并针对性地提出了“有限截断－密度最大”（TLDM）的数据规格化方法。理论分析和实验都表明，本文提出的方法具有估计区间的高效性和数据分布的适应性。最后本文研究了视像概念的时间聚集性现象及其描述和利用的问题。视像中，与某些概念相关的镜头往往在时间上聚集出现。在此之前，这种视像概念在表示时间上的聚集现象的研究尚未见诸文献。本文提出并描述了时间聚集性现象，而且设计了在视像概念检测中利用时间聚集性的方法：时间聚集性分析算法。视像概念检测的实验表明，该方法的性能要优于直接利用时间特征的分类器前融合和后融合方法。