Secondo diversi metodi di elaborazione dei dati, esistono tre architetture del sistema di fusione delle informazioni: distribuito, centralizzato e ibrido.

1) Distribuito: in primo luogo, i dati originali ottenuti da sensori indipendenti vengono elaborati localmente e quindi i risultati vengono inviati al centro di fusione delle informazioni per l'ottimizzazione e la combinazione intelligenti per ottenere i risultati finali. Distributed ha una bassa domanda di larghezza di banda di comunicazione, velocità di calcolo rapida, buona affidabilità e continuità, ma l'accuratezza del monitoraggio è molto inferiore a quella di una centralizzata. La struttura di fusione distribuita può essere divisa in struttura di fusione distribuita con feedback e struttura di fusione distribuita senza feedback.

2) Centralizzazione: la centralizzazione invia i dati grezzi ottenuti da ciascun sensore direttamente al processore centrale per l'elaborazione della fusione, che può realizzare fusione in tempo reale. La sua precisione di elaborazione dei dati è elevata e il suo algoritmo è flessibile, ma i suoi svantaggi sono elevati requisiti per il processore, la bassa affidabilità e il grande volume di dati, quindi è difficile da realizzare;

3) Ibrido: nel framework di fusione di informazioni multi-sensore ibrido, alcuni sensori adottano la modalità di fusione centralizzata e il resto adotta la modalità di fusione distribuita. Il framework di fusione ibrida ha una forte adattabilità, tiene conto dei vantaggi della fusione e della distribuzione centralizzate e ha una forte stabilità. La struttura della modalità di fusione ibrida è più complicata di quella delle prime due modalità di fusione, che aumenta il costo della comunicazione e del calcolo.

Kalman Filter (KF)

Il processo di elaborazione delle informazioni da parte del filtro Kalman è generalmente previsione e correzione. Non è solo un algoritmo semplice e concreto, ma anche uno schema di elaborazione del sistema molto utile nel ruolo della tecnologia di fusione delle informazioni multi-sensore. In effetti, è simile ai metodi di molti sistemi di elaborazione dei dati di informazione. Fornisce una stima ottimale statistica efficace per i dati fusi mediante calcolo ricorsivo iterativo matematico, ma richiede poco spazio e calcolo di archiviazione, quindi è adatto all'ambiente con spazio e velocità di elaborazione dei dati limitati. KF può essere diviso in due tipi: filtro Kalman distribuito (DKF) e filtro Kalman esteso (EKF). DKF può rendere la fusione dei dati completamente decentralizzata, mentre l'EKF può superare efficacemente l'influenza degli errori di elaborazione dei dati e l'instabilità sul processo di fusione delle informazioni.