De acordo com diferentes métodos de processamento de dados, existem três arquiteturas do sistema de fusão de informações: distribuído, centralizado e híbrido.

1) Distribuído: Primeiro, os dados originais obtidos por sensores independentes são processados ​​localmente e, em seguida, os resultados são enviados ao Centro de Fusão de Informações para otimização e combinação inteligentes para obter os resultados finais. A distribuída possui baixa demanda por largura de banda de comunicação, velocidade rápida de cálculo, boa confiabilidade e continuidade, mas a precisão do rastreamento é muito menor que a do centralizado. A estrutura de fusão distribuída pode ser dividida em estrutura de fusão distribuída com feedback e estrutura de fusão distribuída sem feedback.

2) Centralização: a centralização envia os dados brutos obtidos por cada sensor diretamente ao processador central para o processamento de fusão, que pode realizar a fusão em tempo real. Sua precisão de processamento de dados é alta e seu algoritmo é flexível, mas suas desvantagens são altos requisitos para o processador, baixa confiabilidade e grande volume de dados, por isso é difícil de realizar;

3) Híbrido: Na estrutura híbrida de fusão de informações multissensores, alguns sensores adotam o modo de fusão centralizado e o restante adota o modo de fusão distribuído. A estrutura de fusão híbrida tem forte adaptabilidade, leva em consideração as vantagens da fusão e distribuição centralizadas e tem forte estabilidade. A estrutura do modo de fusão híbrida é mais complicada do que a dos dois primeiros modos de fusão, o que aumenta o custo de comunicação e cálculo.

Filtro Kalman (KF)

O processo de processamento de informações pelo filtro Kalman geralmente é previsão e correção. Não é apenas um algoritmo simples e concreto, mas também um esquema de processamento de sistema muito útil no papel da tecnologia de fusão de informações de vários sensores. De fato, é semelhante aos métodos de muitos sistemas de processamento de dados de informações. Ele fornece uma estimativa ótima estatística eficaz para os dados fundidos por meio de cálculo recursivo iterativo matemático, mas requer pouco espaço de armazenamento e cálculo, por isso é adequado para o ambiente com espaço e velocidade limitados de processamento de dados. O KF pode ser dividido em dois tipos: filtro Kalman distribuído (DKF) e filtro Kalman estendido (EKF). O DKF pode tornar a fusão de dados completamente descentralizada, enquanto a EKF pode efetivamente superar a influência de erros de processamento de dados e instabilidade no processo de fusão de informações.