Ze względu na różne metody przetwarzania danych wyróżnia się trzy architektury systemów fuzji informacji: rozproszoną, scentralizowaną i hybrydową.

1) Rozproszone: Najpierw oryginalne dane uzyskane przez niezależne czujniki są przetwarzane lokalnie, a następnie wyniki są wysyłane do centrum fuzji informacji w celu inteligentnej optymalizacji i połączenia w celu uzyskania ostatecznych wyników. Rozproszona charakteryzuje się niskim zapotrzebowaniem na przepustowość komunikacji, dużą szybkością obliczeń, dobrą niezawodnością i ciągłością, ale dokładność śledzenia jest znacznie mniejsza niż w przypadku sieci scentralizowanej. Rozproszoną strukturę syntezy można podzielić na rozproszoną strukturę syntezy ze sprzężeniem zwrotnym i rozproszoną strukturę syntezy bez sprzężenia zwrotnego.

2) Centralizacja: Centralizacja wysyła surowe dane uzyskane przez każdy czujnik bezpośrednio do centralnego procesora w celu przetwarzania fuzji, który może realizować fuzję w czasie rzeczywistym. Jego dokładność przetwarzania danych jest wysoka, a algorytm elastyczny, ale jego wadami są wysokie wymagania wobec procesora, niska niezawodność i duża ilość danych, więc jest trudna do zrealizowania;

3) Hybrydowy: w hybrydowej strukturze syntezy informacji z wieloma czujnikami niektóre czujniki przyjmują scentralizowany tryb syntezy, a pozostałe przyjmują tryb syntezy rozproszonej. Ramy fuzji hybrydowej mają duże możliwości adaptacji, uwzględniają zalety scentralizowanej fuzji i dystrybucji oraz charakteryzują się dużą stabilnością. Struktura trybu syntezy hybrydowej jest bardziej skomplikowana niż w przypadku dwóch pierwszych trybów syntezy, co zwiększa koszty komunikacji i obliczeń.

Filtr Kalmana (KF)

Proces przetwarzania informacji przez filtr Kalmana ma na ogół charakter predykcji i korekcji. Jest to nie tylko prosty i konkretny algorytm, ale także bardzo przydatny schemat przetwarzania systemu w roli wielosensorowej technologii fuzji informacji. W istocie jest to podobne do metod przetwarzania danych informacyjnych stosowanych przez wiele systemów. Zapewnia efektywne statystyczne optymalne oszacowanie połączonych danych za pomocą matematycznych iteracyjnych obliczeń rekurencyjnych, ale wymaga niewielkiej przestrzeni do przechowywania i obliczeń, dlatego jest odpowiedni dla środowiska o ograniczonej przestrzeni i szybkości przetwarzania danych. KF można podzielić na dwa typy: rozproszony filtr Kalmana (DKF) i rozszerzony filtr Kalmana (EKF). DKF może całkowicie zdecentralizować fuzję danych, natomiast EKF może skutecznie przezwyciężyć wpływ błędów przetwarzania danych i niestabilności na proces fuzji informacji.