目前,我国的信息融合技术正蓬勃发展,广泛地应用于各个领域。相应地,对融合效果进行干扰的技术也在迅猛发展,同时对融合效果的要求又越来越高。在融合算法已经相对成熟的情况下,我们选择从算法管理的角度来提高整个融合系统。目前,我们将整个融合过程粗粒度地划分为状态估计、滤波门限、数据关联和航迹融合四个大环节。而针对某一环节,又有多种算法可以选择。这些算法虽然实现相同的功能,但是他们各自的算法特性以及适用环境有所差异。怎样依据不同环境下的数据源,选择最优的参数组合和最优算法,从而使最终的融合效果达到最优是目前信息融合技术的研究热点。本文主要围绕算法细粒度单元模块的提取和多粒度敏感指标体系的构建展开。主要包括一下几方面：(1)原有的信息融合粗粒度评价指标可以通过状态估计算法、滤波门限算法、数据关联算法和航迹融合算法这四种融合算法表现出来,因此本文着重研究这四种算法以及算法的模块化单元分解。在状态估计算法和数据关联算法的单元模型分解的基础上,对航迹融合算法进行功能模块单元分解,从细粒度的层面分析子算法之间的性能和区别。(2)在原有的信息融合粗粒度指标：数据源评价指标(20个指标)、航迹跟踪质量评价指标(27个指标)、航迹融合性能评价指标(18个指标)的基础上,本文提出针对粗粒度“回波数量指标”中的总回波数的细粒度指标,即跟踪门算法中新息向量范数；针对粗粒度“回波数量指标”中的有效回波数的细粒度指标,即数据关联的基于不确定指标；以及针对粗粒度“航迹精度指标”中的距离平均误差的细粒度指标,即航迹融合算法的GOSPA指标。(3)在航迹融合算法单元模块研究的基础上,针对协方差引入不确定度的概念,改进敏感指标全局最优子模型分配(GOSPA)距离测度。通过实验证明,无真实信号的情况下,由于考虑了不确定度,改进后的敏感指标HGOSPA能更敏感的反映航迹融合算法的优劣。