异步数据融合的结构一般有两种分类标准，其一：根据传感器数据在送入融合处理中心之前的处理程度，融合结构被分为传感器级融合、中央级数据融合以及混合式融合。其二：根据数据和处理过程的分辨率。融合结构被分为像素级融合、特征级融合和决策级融合。在选择合适的数据融合结构时也需要考虑其他因素，例如数据处理和通信资源以及融合后结果的存放位置等。
异步数据融合的研究现状是在进一步研究融合技术的数学基础，对于同类信息相融合的数值处理，开展对兼有稳健性和准确性的融合算法和模型的研究。
异步数据融合所存在的主要问题是在进行异步数据融合处理之前，必须对来自多传感器的观测结果进行关联，保证所融合的信息是来自同一观测目标或时间，以保证融合信息的一致性，目前的许多研究工作仍属于试探性、仿真性的工作，投入正式使用的数据融合系统较少，因此，异步数据融合系统的设计实施还存在许多实际问题，如传感器测量误差模式的建立，复杂动态环境下的系统实时响应等。
随着多传感器系统应用领域的不断扩大，对状态融合估计问题的研究得到了较大的进展。由于神经网络对环境的变化具有较强的自适应能力和学习能力，基于神经网络的状态融合估计算法取得了较大的进展。针对不同类型的传感器，如异类传感器系统、异步传感器系统、非线性系统等，取得了许多研究成果。由于多传感器目标跟踪技术受到普遍关注和广泛应用，跟踪系统越来越复杂，所以状态融合估计技术仍有许多工作需要解决。

1.3本文的主要内容和组织结构

本文的内容安排如下：
第一章为绪论，概述了信息融合的定义，介绍了本文的研究背景及意义，以及所研究内容的发展现状，并在此基础上给出了本文的结构安排。
第二章概括了多传感器目标跟踪的相关理论，介绍了多传感器信息融合的结构模型，并总结了其应用前景，为后文的研究奠定了基础。
第三章针对实际工程中场景的异步航迹融合问题，为便于工程实现，本文基于设定融合周期的异步融合模型，从同步情况的分层融合算法出发，给出一种最优的异步分层融合算法。通过对异步仿真数据的融合，验证了该方法是行之有效的，为工程应用提供了有益的参考。
第四章总结本文工作并进行展望。
2  多传感器数据融合概述

2.1 数据融合的基本概念

数据融合的目标是基于各传感器分离的观测数据，通过对数据的优化组合导出更加可靠、更加准确和更加精确的数据，并根据这些数据做出最可靠的决策。其最终目的是利用多个传感器共同或联合操作的优势，来提升整个传感器系统的性能。数据融合可以获得单个传感器所不能得到的信息，其融合的结果相对于单传感器不仅是量的变化而且可能发生质的飞跃。
多传感器数据融合方法与经典信号处理方法之间存在着本质差别，其关键在于数据融合所处理的多传感器数据具有更复杂的形式而且通常在不同的信息层次上出现。按照信息抽象的层次，融合可分为五级，即检测级融合、位置级融合、属性（目标识别）级融合、态势评估和威胁评估[10]。

2.2 数据融合的定义

数据融合通常被定义为对按时序获得的多个传感器的观测数据或已经处理后的数据在一定准则下加以分析、处理和综合，以完成需要的估计和决策所进行的处理过程。
从军用的角度上讲，数据融合最容易理解的含义是[11]：对多源信息进行检测、关联、相关、估计和综合处理，以得到更加精确的状态估计、目标种类识别以及完整、及时的态势和威胁评估。在进行数据融合之前还应先对多源数据进行时空配准。 多传感器异步数据融合问题研究(3):http://www.youerw.com/zidonghua/lunwen_2166.html