目前,随着航空运输业的不断发展,空中交通量在逐年增加,为了保证飞机在逐渐拥挤的航道内能够安全飞行,需要提高航空监视信息的准确性。航空监视信息的融合通过将来自一个或多个监视源对目标飞行器的监视信息进行融合,来准确的获取目标飞行器的位置,融合效果的好坏很大程度的决定了航空监视信息准确性的高低。在航空监视信息融合方面,目前更多的是采用卡尔曼滤波算法,该算法在大数据量的情况下,存在着参数精度要求高、对噪声不敏感等问题。因此,本文提出并实现了两种新的航空监视信息融合算法来代替卡尔曼滤波,分别是基于雷达残差训练的多神经网络算法以及基于优化AdaBoost的多雷达融合算法。本文提出并实现的基于雷达残差训练的多神经网络算法通过对单雷达的监视信息进行融合来减少单个雷达监视的误差。实验表明,该算法的融合效果优于原始雷达数据以及卡尔曼滤波算法,能够有效的提升融合后的精度。本文还提出并实现了基于优化AdaBoost的多雷达融合算法,该算法是通过对多雷达的监视信息进行融合,来提升整体的融合精度。该算法是在基于雷达残差训练的多神经网络算法的基础上提出的,通过对多个多神经网络模型进行集成,进一步的提升融合的精度。该算法最终的融合效果整体优于单个雷达的融合效果,能将融合的精度在单雷达融合的基础上再进一步提升。在提出与实现融合算法的基础上,本文最终设计并实现了航空监视信息融合系统。该系统的主要功能是对航空监视信息的数据解析处理、对解析处理后的数据进行融合以及对融合后的结果进行展示等。本文对系统进行了全面的测试,验证了系统的正确性以及融合算法在融合系统中的有效性。