当代科学技术发展和应用中,信息广泛存在于通讯、控制、信号处理、数据挖掘、人工智能、生物信息、’航空航天技术、经济预测与调控等社会诸多领域,起着举足轻重的作用。随着信息化时代的迅猛发展,信息越来越趋向于数据量大、来源广、相关层次多等特点。因此,将信号单纯的传送和汇总已经不能满足信息化时代的要求,现代信号处理技术对信息的精度、容错性要求越来越高。信息融合技术作为解决此问题的方法之一应运而生。信息融合作为多源信息综合处理的一项新技术,它能将来自同一目标的多源信息加以智能化合成,产生比单一信息源更精确、更完全、更可靠的估计和判决。本文主要针对线性和非线性多传感器系统,应用加权观测融合和各种辨识方法,研究了最优和自校正加权观测融合Kalman滤波器,以及最优和自适应加权观测融合UKF。进而针对一类受控的线性离散多传感器系统,研究了基于最优和自校正加权观测融合Kalman滤波器的预测控制问题。本文主要以理论分析结合计算机仿真研究为主,具体研究内容和成果包括以下几个方面：首先,针对一类带未知噪声统计的线性多传感器系统,结合最小二乘辨识方法、相关函数辨识方法以及多传感器协同辨识方法,提出了几种自适应加权观测融合Kalman滤波器。分三种不同情形,对本文提出的基于多传感器协同辨识的自校正加权观测融合Kalman滤波器进行了具体描述以及仿真分析,并利用随机序列的遍历性证明了协同辨识方法得到的系统噪声统计以概率1收敛于系统真实值,进而利用该方法得到的自校正加权观测融合Kalman滤波器具有渐近全局最优性。其次,针对一类非线性多传感器系统,提出了加权观测融合UKF滤波器,证明了应用该方得到的UKF滤波器与集中式观测融合UKF滤波器在数值上具有完全等价性,因而具有全局最优性,而加权观测融合UKF滤波器较集中式观测融合UKF滤波器大大减小了计算负担。考虑到这一类非线性多传感器系统具有未知噪声统计的情形,提出了自适应加权观测融合UKF滤波器,该方法将协同辨识方法与自适应滤波方法相结合,提高了单纯自适应UKF滤波器的稳定性、收敛速度以及准确性。再次,将加权观测融合算法与预测控制算法相结合,提出了加权观测融合预测控制算法。该方法避免了求解复杂的Diophantine方程,利用Kalman滤波算法得到系统状态的预测,减小了计算负担。而加权观测信息融合的引入,则提高了控制系统的稳定性和精度。最后,考虑到这一类受控的多传感器系统具有未知噪声统计的情形,提出了自适应加权观测融合预测控制算法。该方法运用了本文提出的协同辨识方法,提高了辨识器的稳定性和准确性,从而提高了受控系统的稳定性和准确性。本文运用了大量的仿真例子证明了上述方法的有效性。