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

1) Distribuïts: primer, les dades originals obtingudes per sensors independents es processen localment i, a continuació, els resultats s’envien al Centre de fusió d’informació per a l’optimització i la combinació intel·ligents per obtenir els resultats finals. Distribuïda té una baixa demanda d’ample de banda de comunicació, velocitat de càlcul ràpid, bona fiabilitat i continuïtat, però la precisió de 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 comentaris.

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

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

Filtre Kalman (KF)

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