已給出的數據融合概念的定義都是功能性的。美國國防部從軍事應用的角度將數據融合定義為這樣的一個過程，即把來自許多傳感器和信息源的數據和信息加以聯合、相關和組合，以獲得精確的位置估計和身份估計，完整而及時的戰場態勢和威脅估計。這一定義基本上是對數據融合技術所期望達到的功能的描述，包括低層次上的位置和身份估計，以及高層次上的態勢評估和威脅估計。

　　其中 是 維輸入向量， 是 維過程噪聲，也滿足一定的概率分布，通常為Gauss白噪聲。

　　本章所討論的問題是：假設被估計量X滿足動態方程(2.1.3)式或(2.1.4)式，已知k次量測值 ，對k時刻的狀態向量X(k)進行最優估計。

　　目標識別級融合----目標識別亦稱屬性分類或身份估計，對觀測體進行識別和表征。如使用雷達截面積（RCS）數據來確定一個實體是不是一個火箭體、碎片或再入大氣層的飛船。敵-我-中識別器（IFFN）使用特征波形和有關數據對觀測體判斷，是敵機、友機還是不明。

　　目標識別層也稱屬性層的信息融合有三種方法：決策級融合、特征級融合、數據級融合。

　　現在考慮局部節點估計與傳感器測量位于不同坐標系的情況。設傳感器i在局部節點笛卡爾坐標系中的三個位置分量為 ，并假定目標的位置坐標分量（x，y，z軸分量）包含在測量向量中。于是，令

　　為傳感器i的狀態坐標偏移量在局部節點j笛卡爾坐標系中的增廣向量。那么傳感器i在局部節點j笛卡爾坐標系中k1時刻的觀測為

　　由2．3節的結果可知，局部節點j中的第i個傳感器的Kalman濾波方程為

　　Edward Walts和Jame Linas對上述定義進行了補充和修改，用狀態估計代替位置估計，并加上了檢測功能。

　　關于數據融合研究的范圍現在尚無定論，以軍事應用為目標的數據融合技術也可用于工業和農業等其他領域。

　　必一運動

　　(1)生存能力強----在有若干傳感器不能利用或受到干擾，或某個目標/事件不在覆蓋范圍時，總會有一種傳感器可以提供信息。

　　未來戰爭將是作戰體系間的綜合對抗，在很大程度上表現為信息戰的形式。而建立具有合成作戰的指揮能力和智能化的決策指揮能力的指揮控制系統的瓶頸是數據融合技術。因此，關于多傳感器數據融合理論和技術的研究對于我國國防建設具有重要的戰略意義和社會意義。

　　按照信息抽象的五個層次，融合可分為五級，即檢測級融合、位置級融合、屬性級融合、態勢評估和威脅評估。

　　檢測級融合----直接在信號層上進行的融合或者在檢測判決層上進行的融合。分別對應集中式檢測融合和分布式檢測融合。

　　位置級融合----直接在觀測報告或測量點跡上進行的融合或在各個傳感器狀態估計上進行的融合。分別對應著集中式位置融合和分布式位置融合。

　　在未來戰爭中，電磁環境將異常復雜，無論是空戰、海戰還是陸戰以至于陸、海、空相結合的立體戰爭，都將日益依賴于各種傳感器設備。在實戰中，傳感器將受到各種欺騙和干擾，檢測目標的數量日益增多，運動速度越來越快，而且多數目標采用隱身技術和低空/超低空突防技術，使傳感器難以捕獲和跟蹤。這種現狀是數據融合作為一種特殊的作戰手段已滲透到幾乎所有軍事部門和各個作戰領域，數據融合已不僅是高技術戰爭的先導，而且貫穿于戰役的全過程，深刻地影響著戰爭的進程和結局。

　　為局部節點j位置坐標的增廣向量，則節點j在融合中心坐標系中k1時刻的局部廣義測量向量為

　　現在把離散Kalman濾波理論應用于式（3.1）和式（3.2）構成的線性系統，則局部節點 的集中狀態估計方程為

　　其中 是n維向量，表示k時刻的狀態向量， 是k時刻 階的狀態轉移矩陣， 為（已知） 維輸入或控制信號（向量）， 為 階輸入矩陣, 為 維過程噪聲分布矩陣， 為n維過程噪聲，滿足Gauss白噪聲，并且

　　量測方程(2.1.1)式仍是線)降低了信息的模糊度----多傳感器的聯合信息降低了目標/事件的不確定性。

　　(6)改進了探測性能----對目標/事件的多種測量的有效融合，提高了探測的有效性。

　　(7)提高了空間分辨率----多傳感器可以獲得比任何單一傳感器更高的分辨率。

　　(8)增加了測量空間的維數----使用工作在不同頻段的傳感器可以測量陸、海、空、天等多維空間目標，同時不宜受到敵方行動或自然現象的破壞。

　　估計與量測有關。從上述狀態估計問題的提法可以看出，在狀態估計問題中，被估計量----狀態向量和量測量均是隨時間變化的，這樣狀態向量與量測量之間在時間上就有不同的對應關系。以離散時間系統為例，設 為已知j和j以前時刻的量測值，對k時刻狀態X(k)作出某種估計。

　　其中， 是k時刻目標的狀態向量， 是零均值白高斯過程噪聲向量， 是狀態轉移矩陣， 是過程噪聲分布矩陣。初始狀態X（0）是均值為μ和協方差矩陣為P0的一個高斯隨機向量，且 。

　　其中，M是局部節點數，N j是局部節點j的傳感器數。局部節點j傳感器i的測量方程可表示為

　　下面要討論的動態系統是離散的和線)式中的f是線性函數，也就是說，狀態方程滿足

　　一般的監視和跟蹤系統中，其目標運動和傳感器測量方程都是線性的，過程與測量噪聲是相互獨立的，并且系統模型中不含控制項。為了討論問題的方便，下面再次描述目標運動、傳感器測量和單傳感器Kalman濾波方程。

　　設有動態系統，它滿足一定的數學模型(如公式2.1.3)，其有關隨機向量滿足一定的統計性質。所指系統的狀態估計問題就是根據選定的估計準則和已獲得的量測信息(如公式2.1.1,2.1.2)，對系統進行估計，其中狀態方程確定了被估計量的隨機狀態過程。

　　在決策級融合方法中，每個傳感器都完成變換以便獲得獨立的身份估計，然后再對來自每個傳感器的屬性分類進行融合。

　　在特征級融合方法中，每個傳感器觀測一個目標并完成特征提取以獲得來自每個傳感器的特征向量。然后融合這些特征向量并獲得聯合特征向量來產生身份估計。

　　在數據級融合方法中，對來自同質傳感器原始數據直接進行融合，然后基于融合的傳感器數據進行特征提取和身份估計。（如多源圖像復合，同質雷達的波形的直接合成）

　　其中 是m維向量，表示k時刻的量測向量， 是 階量測矩陣， 是m維量測噪聲，并滿足Gauss白噪聲，有

　　多傳感器數據融合的基本原理就像人腦綜合處理信息的過程一樣，它充分利用多個傳感器資源，通過對各種傳感器及其觀測信息的合理支配與使用，將各傳感器在空間和時間上的互補與冗余信息依據某種優化準則組合起來，產生對觀測環境的一致性解釋和描述。多傳感器數據融合與經典的信號處理方法之間有著本質的差別，其關鍵在于信息融合所處理的多傳感器信息具有更復雜的形式，而且通常在不同的信息層次上出現。這些信息抽象層次包括檢測層、位置層、屬性層、態勢層和威脅層。

　　狀態估計理論的目的是對目標過去的運動狀態進行平滑、對目標現在的運動狀態濾波和對目標未來的運動狀態進行預測，這些運動狀態包括目標位置、速度和加速度等。本章討論在多傳感器跟蹤系統中廣泛應用的狀態估計技術，這些方法是多傳感器信息系統的最基本要素，也是形成多目標自適應跟蹤濾波的前提和基礎。

　　(2)擴展了空間覆蓋范圍----通過多個交疊的傳感器作用區域，擴展了空間覆蓋范圍，一種傳感器可以探測到其他傳感器探測不到的地方。

　　(3)擴展了時間覆蓋范圍----用多個傳感器的協同作用提高檢測概率，某個傳感器可以探測到其他傳感器不能顧及的目標/事件。

　　在今后所討論的隨機估計問題中，用 維向量 表示被估計參數，用 維向量 表示量測值，通常假設量測值Z與估計量X滿足關系式

　　這里 是指 時刻， 是 維量測噪聲并滿足一定概率分布，通常是滿足Gauss白噪聲。

　　對 進行估計，其估計值為 。當被估計量X不隨時間變化時，則稱對參數X的估計為靜態估計。當參數X隨時間變化時，一般認為X滿足某一動態方程

　　由第1章的描述可知，在多傳感器信息融合系統中，就位置（空間）級融合系統的結構而論有集中式、分布式結構。所謂信息融合主要有兩項任務，其一是點跡-航跡互聯和／或航跡與航跡關聯問題，其二是目標狀態的估計和/或航跡融合問題。在第4章中研究航跡關聯算法，本章中，3．2節描述線性離散集中式多傳感器融合系統中的狀態估計，3．3節討論線性離散分布式多傳感器融合系統中的狀態估計。