目前大量文献已对时间配准问题做出了深入的研究：王宝树[10]等在文献中采用内插外推法对多传感器信息融合系统中各传感器的采样数据进行时间配准。先取定时间片，按不同目标划分运动状态，选定对应的融合时间片。然后再将各传感器观测数据按采样频率进行增量排序，最后将各高频观测数据分别向低频的时间点内插、外推，形成一系列等间隔的目标观测数据后进行融合处理。本方法适用于目标运动速度恒定或变化较慢的情况。内插外推算法由于具有应用限制少、计算简便等优点，在实际中应用较广。但内插外推算法高采样频率传感器的测量数据有时无法得到充分利用，且其假设运动模型过于简单，在目标运动复杂时配准误差较大。9018
Blairw D[3]、周锐[9]采用最小二乘规则进行时间配准。利用测量值残差的平方和最小作为性能准则，将高频率传感器的各测量数据拟合到低频率传感器的时间点上，再根据该虚拟的测量值与低频传感器的测量值进行融合。由于该算法将传感器的数据进行了压缩，减小了融合的数据量，因此该算法运算比较简单，配准精度较高。最小二乘虚拟法由于对采样周期有特殊的要求，并要求两传感器采样起始时刻必须相同，所以适用情况较简单。此外，最小二乘虚拟法假设在配准周期内目标做匀速直线运动，当目标运动状态复杂时配准误差较大，且配准后的数据时间周期不会小于传感器集合中的最大采样周期。
李学永、周俊[24]利用拉格朗日插值法进行时间配准。拉格朗日插值法是根据函数的已知数据求出一个解析式，要求它通过已知样点，由此确定近似函数，而后根据函数式计算所求时刻的数据。利用数据插值法进行多传感器时间配准，就是根据已知采样点数据得到目标运动的轨迹方程，而后由方程得到配准时刻的数据。拉格朗日插值函数是多项式函数，多项式的次数太高会使得插值函数不稳定，一般情况下插值曲线的次数不高于优尔次，即采用插值的节点数不大于七个。在实际应用中，应根据目标的运动状态和假设的运动模型选择适当的拉格朗日插值多项式的次数。
梁凯[15]等运用样条函数插值对多传感器信息融合系统中的采样数据进行时间配准。此方法采用样条函数分段拟合数据点，最终形成过所有数据点的光滑曲线，而后根据曲线解析式得到所需时刻的数据。利用样条函数插值法进行多传感器时间配准，就是对已知采样点数据经过样条插值得到一条平滑曲线，而后由该曲线的解析式求得配准时刻的数据。三次样条插值法较好地解决了数据融合中时间不同步、数据率不一致的问题，并且具有计算简单、速度快等优点。但插值函数严格要求通过所有的给定点，如果给定的数据中有观测误差，则插值结果保留全部观测误差的影响，导致插值函数不能很好地反映数据集的总体趋势。
江源源[23]利用串行合并法进行多传感器时间配准。该方法将不同传感器对同一目标在不同时刻的测量数据直接组合成一个传感器的测量数据，然后进行融合处理。处理非同步采样数据一般是采取时间校正的办法，将异步数据转换为同步数据，然后再进行融合。也可以利用异步数据的特点来增强整个传感器系统的数据采样频率。串行合并法通常只能得到非周期的同步数据，而且传感器测量数据的系统误差会对配准精度产生较大影响。串行合并法要求处理前各传感器的数据类型和时空坐标要统一，并且仅适用于融合系统对融合时刻没有要求的情况。
彭焱[24]等使用泰勒展开修正法进行时间配准。与内插外推法类似，此方法也将高频的观测数据推算到低频的时间点上，但不同之处在于此方法需要求出一阶导数。利用泰勒一阶展开式的近似性特点，求出不同的空间目标状态，进而进行时间配准。由于需要求一阶导数，因此泰勒展开修正法相对于内插外推法计算稍复杂。 时间配准国内外研究现状:http://www.youerw.com/yanjiu/lunwen_7600.html