卡爾曼濾波主要用于融合低層次實時動態(tài)多傳感器冗余數(shù)據(jù)。該方法用測量模型的統(tǒng)計特性遞推，決定統(tǒng)計意義下的最優(yōu)融合和數(shù)據(jù)估計。如果系統(tǒng)具有線性動力學(xué)模型，且系統(tǒng)與傳感器的誤差符合高斯白噪聲模型，則卡爾曼濾波將為融合數(shù)據(jù)提供唯一統(tǒng)計意義下的最優(yōu)估計?？柭鼮V波的遞推特性使系統(tǒng)處理不需要大量的數(shù)據(jù)存儲和計算。但是，采用單一的卡爾曼濾波器對多傳感器組合系統(tǒng)進行數(shù)據(jù)統(tǒng)計時，存在很多嚴重的問題，例如：（1）在組合信息大量冗余的情況下，計算量將以濾波器維數(shù)的三次方劇增，實時性不能滿足；（2）傳感器子系統(tǒng)的增加使故障隨之增加，在某一系統(tǒng)出現(xiàn)故障而沒有來得及被檢測出時，故障會污染整個系統(tǒng)，使可靠性降低。
2.1.3 多貝葉斯估計法
貝葉斯估計為數(shù)據(jù)融合提供了一種手段，是融合靜環(huán)境中多傳感器高層信息的常用方法。它使傳感器信息依據(jù)概率原則進行組合，測量不確定性以條件概率表示，當(dāng)傳感器組的觀測坐標一致時，可以直接對傳感器的數(shù)據(jù)進行融合，但大多數(shù)情況下，傳感器測量數(shù)據(jù)要以間接方式采用貝葉斯估計進行數(shù)據(jù)融合。
多貝葉斯估計將每一個傳感器作為一個貝葉斯估計，將各個單獨物體的關(guān)聯(lián)概率分布合成一個聯(lián)合的后驗的概率分布函數(shù)，通過使用聯(lián)合分布函數(shù)的似然函數(shù)為最小，提供多傳感器信息的最終融合值，融合信息與環(huán)境的一個先驗?zāi)Ｐ吞峁┱麄€環(huán)境的一個特征描述。
2.1.4 D-S證據(jù)推理方法
D-S證據(jù)推理是貝葉斯推理的擴充，其3個基本要點是：基本概率賦值函數(shù)、信任函數(shù)和似然函數(shù)。D-S方法的推理結(jié)構(gòu)是自上而下的，分三級。第1級為目標合成，其作用是把來自獨立傳感器的觀測結(jié)果合成為一個總的輸出結(jié)果（ID）；第2級為推斷，其作用是獲得傳感器的觀測結(jié)果并進行推斷，將傳感器觀測結(jié)果擴展成目標報告。這種推理的基礎(chǔ)是：一定的傳感器報告以某種可信度在邏輯上會產(chǎn)生可信的某些目標報告；第3級為更新，各種傳感器一般都存在隨機誤差，所以，在時間上充分獨立地來自同一傳感器的一組連續(xù)報告比任何單一報告可靠。因此，在推理和多傳感器合成之前，要先組合（更新）傳感器的觀測數(shù)據(jù)。
2.1.5 產(chǎn)生式規(guī)則
產(chǎn)生式規(guī)則采用符號表示目標特征和相應(yīng)傳感器信息之間的聯(lián)系，與每一個規(guī)則相聯(lián)系的置信因子表示它的不確定性程度。當(dāng)在同一個邏輯推理過程中，2個或多個規(guī)則形成一個聯(lián)合規(guī)則時，可以產(chǎn)生融合。應(yīng)用產(chǎn)生式規(guī)則進行融合的主要問題是每個規(guī)則的置信因子的定義與系統(tǒng)中其他規(guī)則的置信因子相關(guān)，如果系統(tǒng)中引入新的傳感器，需要加入相應(yīng)的附加規(guī)則。
2.2 人工智能類方法
2.2.1 模糊邏輯推理
模糊邏輯是多值邏輯，通過指定一個0到1之間的實數(shù)表示真實度，相當(dāng)于隱含算子的前提，允許將多個傳感器信息融合過程中的不確定性直接表示在推理過程中。如果采用某種系統(tǒng)化的方法對融合過程中的不確定性進行推理建模，則可以產(chǎn)生一致性模糊推理。與概率統(tǒng)計方法相比，邏輯推理存在許多優(yōu)點，它在一定程度上克服了概率論所面臨的問題，它對信息的表示和處理更加接近人類的思維方式，它一般比較適合于在高層次上的應(yīng)用（如決策），但是，邏輯推理本身還不夠成熟和系統(tǒng)化。此外，由于邏輯推理對信息的描述存在很大的主觀因素，所以，信息的表示和處理缺乏客觀性。
模糊集合理論對于數(shù)據(jù)融合的實際價值在于它外延到模糊邏輯，模糊邏輯是一種多值邏輯，隸屬度可視為一個數(shù)據(jù)真值的不精確表示。在MSF過程中，存在的不確定性可以直接用模糊邏輯表示，然后，使用多值邏輯推理，根據(jù)模糊集合理論的各種演算對各種命題進行合并，進而實現(xiàn)數(shù)據(jù)融合。
2.2.2 人工神經(jīng)網(wǎng)絡(luò)法
神經(jīng)網(wǎng)絡(luò)具有很強的容錯性以及自學(xué)習(xí)、自組織及自適應(yīng)能力，能夠模擬復(fù)雜的非線性映射。神經(jīng)網(wǎng)絡(luò)的這些特性和強大的非線性處理能力，恰好滿足了多傳感器數(shù)據(jù)融合技術(shù)處理的要求。在多傳感器系統(tǒng)中，各信息源所提供的環(huán)境信息都具有一定程度的不確定性，對這些不確定信息的融合過程實際上是一個不確定性推理過程。神經(jīng)網(wǎng)絡(luò)根據(jù)當(dāng)前系統(tǒng)所接受的樣本相似性確定分類標準，這種確定方法主要表現(xiàn)在網(wǎng)絡(luò)的權(quán)值分布上，同時，可以采用經(jīng)網(wǎng)絡(luò)特定的學(xué)習(xí)算法來獲取知識，得到不確定性推理機制。利用神經(jīng)網(wǎng)絡(luò)的信號處理能力和自動推理功能，即實現(xiàn)了多傳感器數(shù)據(jù)融合。