Segons els diferents mètodes de processament de dades, hi ha tres arquitectures de sistema de fusió d'informació: distribuïda, centralitzada i híbrida.

1) Distribuït: en primer lloc, les dades originals obtingudes per sensors independents es processen localment, i després els resultats s'envien al centre de fusió d'informació per a una optimització i combinació intel·ligents per obtenir els resultats finals. Distribuït té poca demanda d'ample de banda de comunicació, velocitat de càlcul ràpida, bona fiabilitat i continuïtat, però la precisió del seguiment és molt inferior a la de la centralitzada. L'estructura de fusió distribuïda es pot dividir en estructura de fusió distribuïda amb retroalimentació i estructura de fusió distribuïda sense retroalimentació.

2) Centralització: la centralització envia les dades en brut obtingudes per cada sensor directament al processador central per al processament de la fusió, que pot realitzar la fusió en temps real. La seva precisió de processament de dades és alta i el seu algorisme és flexible, però els seus desavantatges són els alts requisits per al processador, la baixa fiabilitat i el gran volum de dades, per la qual cosa és difícil de realitzar;

3) Híbrid: en el marc de fusió d'informació multisensor híbrid, alguns sensors adopten el mode de fusió centralitzat i la resta adopten el mode de fusió distribuït. El marc de fusió híbrida té una forta adaptabilitat, té en compte els avantatges de la fusió i distribució centralitzada i té una forta estabilitat. L'estructura del mode de fusió híbrid és més complicada que la dels dos primers modes de fusió, la qual cosa augmenta el cost de la comunicació i el càlcul.

Filtre de Kalman (KF)

El procés de processament de la informació per filtre de Kalman és generalment predicció i correcció. No només és un algorisme senzill i concret, sinó també un esquema de processament del sistema molt útil en el paper de la tecnologia de fusió d'informació multisensor. De fet, és similar als mètodes de processament de dades de la informació de molts sistemes. Proporciona una estimació estadística òptima eficaç de les dades fusionades mitjançant càlcul recursiu iteratiu matemàtic, però requereix poc espai d'emmagatzematge i càlcul, de manera que és adequat per a un entorn amb un espai i una velocitat de processament de dades limitats. El KF es pot dividir en dos tipus: filtre Kalman distribuït (DKF) i filtre Kalman estès (EKF). DKF pot descentralitzar completament la fusió de dades, mentre que EKF pot superar de manera efectiva la influència dels errors de processament de dades i la inestabilitat en el procés de fusió d'informació.