Volgens verschillende gegevensverwerkingsmethoden zijn er drie architecturen voor informatiefusiesystemen: gedistribueerd, gecentraliseerd en hybride.

1) Gedistribueerd: eerst worden de originele gegevens verkregen door onafhankelijke sensoren lokaal verwerkt en vervolgens worden de resultaten naar het informatiefusiecentrum gestuurd voor intelligente optimalisatie en combinatie om de uiteindelijke resultaten te verkrijgen. Gedistribueerd heeft een lage vraag naar communicatiebandbreedte, hoge rekensnelheid, goede betrouwbaarheid en continuïteit, maar de trackingnauwkeurigheid is veel minder dan die van gecentraliseerd. Gedistribueerde fusiestructuur kan worden onderverdeeld in gedistribueerde fusiestructuur met feedback en gedistribueerde fusiestructuur zonder feedback.

2) Centralisatie: Centralisatie stuurt de door elke sensor verkregen onbewerkte gegevens rechtstreeks naar de centrale processor voor fusieverwerking, die realtime fusie kan realiseren. De nauwkeurigheid van de gegevensverwerking is hoog en het algoritme is flexibel, maar de nadelen zijn hoge eisen aan de processor, lage betrouwbaarheid en een groot gegevensvolume, dus het is moeilijk te realiseren;

3) Hybride: In het hybride raamwerk voor informatiefusie met meerdere sensoren gebruiken sommige sensoren de gecentraliseerde fusiemodus, terwijl de rest de gedistribueerde fusiemodus gebruikt. Het hybride fusieraamwerk heeft een sterk aanpassingsvermogen, houdt rekening met de voordelen van gecentraliseerde fusie en distributie, en kent een sterke stabiliteit. De structuur van de hybride fusiemodus is ingewikkelder dan die van de eerste twee fusiemodi, waardoor de kosten van communicatie en berekeningen toenemen.

Kalman-filter (KF)

Het proces van informatieverwerking door het Kalman-filter bestaat over het algemeen uit voorspelling en correctie. Het is niet alleen een eenvoudig en concreet algoritme, maar ook een zeer nuttig systeemverwerkingsschema in de rol van multi-sensor informatiefusietechnologie. In feite is het vergelijkbaar met de methoden van veel systemen voor het verwerken van informatiegegevens. Het biedt een effectieve statistische optimale schatting voor de samengevoegde gegevens door middel van wiskundige iteratieve recursieve berekeningen, maar vereist weinig opslagruimte en berekeningen, dus het is geschikt voor een omgeving met beperkte gegevensverwerkingsruimte en -snelheid. KF kan worden onderverdeeld in twee typen: gedistribueerd Kalman-filter (DKF) en uitgebreid Kalman-filter (EKF). DKF kan datafusie volledig gedecentraliseerd maken, terwijl EKF effectief de invloed van dataverwerkingsfouten en instabiliteit op het informatiefusieproces kan overwinnen.