Segundo diferentes métodos de procesamento de datos, hai tres arquitecturas do sistema de fusión de información: distribuído, centralizado e híbrido.

1) Distribuído: En primeiro lugar, os datos orixinais obtidos por sensores independentes son procesados ​​localmente e, a continuación, os resultados son enviados ao centro de fusión de información para a optimización e combinación intelixentes para obter os resultados finais. Distribuído ten unha baixa demanda de ancho de banda de comunicación, velocidade de cálculo rápido, boa fiabilidade e continuidade, pero a precisión do seguimento é moito inferior á da centralizada. A estrutura de fusión distribuída pódese dividir en estrutura de fusión distribuída con retroalimentación e estrutura de fusión distribuída sen feedback.

2) Centralización: a centralización envía os datos en bruto obtidos por cada sensor directamente ao procesador central para o procesamento de fusión, que pode realizar a fusión en tempo real. A súa precisión do procesamento de datos é alta e o seu algoritmo é flexible, pero as súas desvantaxes son altos requisitos para o procesador, baixa fiabilidade e gran volume de datos, polo que é difícil de realizar;

3) Híbrido: no marco de fusión de información multi-sensor híbrido, algúns sensores adoptan o modo de fusión centralizado e o resto adoptan o modo de fusión distribuída. O marco de fusión híbrida ten unha forte adaptabilidade, ten en conta as vantaxes da fusión e distribución centralizadas e ten unha forte estabilidade. A estrutura do modo de fusión híbrida é máis complicada que a dos dous primeiros modos de fusión, o que aumenta o custo da comunicación e o cálculo.

Filtro Kalman (KF)

O proceso de procesamento de información por parte do filtro Kalman é xeralmente predición e corrección. Non é só un algoritmo sinxelo e concreto, senón tamén un esquema de procesamento de sistemas moi útil no papel da tecnoloxía de fusión de información multi-sensores. De feito, é semellante aos métodos de moitos sistemas para procesar datos de información. Ofrece unha estimación óptima estatística eficaz para os datos fundidos mediante un cálculo recursivo iterativo matemático, pero require pouco espazo de almacenamento e cálculo, polo que é adecuado para o ambiente con espazo e velocidade de procesamento de datos limitados. KF pódese dividir en dous tipos: filtro Kalman distribuído (DKF) e filtro Kalman estendido (EKF). DKF pode facer que a fusión de datos sexa completamente descentralizada, mentres que EKF pode superar eficazmente a influencia dos erros de procesamento de datos e a inestabilidade no proceso de fusión de información.