本文重点对多传感器系统数据融合中的关键步骤和必须环节—系统配准算法进行了深入研究,围绕着解决传感器延迟量测数据配准融合、异类信息配准、杂波中传感器配准和微小变化偏差配准问题展开。主要研究成果如下：1.为了解决多传感器系统存在的大量延迟数据的处理问题,提出了延迟步长阈值方法,根据延迟数据与当前状态的相关性,采用实验统计方法,得到数据序列中每个数据在同一延迟步长下的相关系数均值,拟合得到相关系数均值与延迟步长之间的函数曲线,最后获得延迟步长阈值。采用阈值过滤方法,减小了有效数据处理量,提高了处理效率。对有效的延迟数据的负时更新处理,在常用的最小方差方法基础上,应用交互多模型法,提出了基于交互多模型的最小方差更新方法,有效地提高了延迟数据状态更新的估计精度。2.对于存在虚假值和漏检的量测序列提出了多目标杂波量测值配准算法。在杂波环境中,从探测区域获得的量测值存在着大量的虚假值和漏检,应用有限集合理论,用有限集合表示虚假量测值和漏检,给出基于粒子滤波方法的目标数量估计与偏差估计算法,较好地解决杂波中目标数量不确定和量测值不确定(虚警和漏检)的问题。相应的仿真实例验证了提出的算法是可行的,能够较好地处理杂波量测值的配准。3.针对位置、速度等数据量测值和图像、图形量测的系统配准问题,提出了多传感器多目标梯度关联相对配准算法。根据几何变换原理,对多传感器的目标短航迹进行几何配准,得到量测时刻点迹的笛卡尔直角坐标配准参数,在空间直角坐标系进行偏差补偿,再采用卡尔曼滤波等方法进行滤波估计；对于多目标情形,给出了短航迹量测值的梯度相似性关联方法,计算传感器的相对偏差估计加权均值。该算法偏差估计算法原理简单有效,精度较高,但仅适用于低数据率传感器以及机动性较弱的目标。4.某些特殊目标量测值存在量少、来源广泛的特点,应用FISST方法描述并采用卡尔曼证据滤波方法进行处理,且提出了焦点目标的匹配概率作为异类信息的配准参数,对于特殊目标的监视与跟踪处理的自动化,有着一定实际意义。最后给出了仿真实例,验证了方法的有效性和可行性。