Segundo os diferentes métodos de procesamento de datos, existen tres arquitecturas de sistema de fusión de información: distribuída, centralizada e híbrida.

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 súa optimización intelixente e combinación para obter os resultados finais. Distribuído ten pouca demanda de ancho de banda de comunicación, velocidade de cálculo rápida, boa fiabilidade e continuidade, pero a precisión de seguimento é moito menor que a centralizada. A estrutura de fusión distribuída pódese dividir en estrutura de fusión distribuída con retroalimentación e estrutura de fusión distribuída sen retroalimentación.

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 de 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 multisensor híbrido, algúns sensores adoptan o modo de fusión centralizado e o resto adoptan o modo de fusión distribuído. 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 híbrido é máis complicada que a dos dous primeiros modos de fusión, o que aumenta o custo da comunicación e do cálculo.

Filtro de Kalman (KF)

O proceso de procesamento da información polo filtro de Kalman é xeralmente predición e corrección. Non é só un algoritmo sinxelo e concreto, senón tamén un esquema de procesamento do sistema moi útil no papel da tecnoloxía de fusión de información multisensor. De feito, é semellante aos métodos de procesamento de datos de información de moitos sistemas. Proporciona unha estimación estatística óptima para os datos fusionados mediante cálculos recursivos iterativos matemáticos, pero require pouco espazo de almacenamento e cálculo, polo que é axeitado para o entorno 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.