信息融合起初叫做數據融合（data fusion），起源于1973年美國國防部資助開發的聲納信號處理系統，在20世紀90年代，隨著信息技術的廣泛發展，具有更廣義化概念的“信息融合”被提出來，多傳感器數據融合MSDF (Multi-sensor Data Fusion）技術也應運而生。
數據融合主要優勢在于：充分利用不同時間與空間的多傳感器數據資源，采用計算機技術按時間序列獲得多傳感器的觀測數據，在一定準則下進行分析、綜合、支配和使用。獲得對被測對象的一致性解釋與描述，進而實現相應的決策和估計，使系統獲得比它各組成部分更為充分的信息。
一般地，多源傳感器數據融合處理過程包括六個步驟，如下圖所示。首先是多源傳感系統搭建與定標，進而采集數據并進行數字信號轉換，再進行數據預處理和特征提取，接著是融合算法的計算分析，最后輸出穩定的、更為充分的、一致性的目標特征信息。
利用多個傳感器所獲取的關于對象和環境全面、完整信息，主要體現在融合算法上。因此，多傳感器系統的核心問題是選擇合適的融合算法。對于多傳感器系統來說，信息具有多樣性和復雜性，因此，對信息融合方法的基本要求是具有魯棒性和并行處理能力,以及方法的運算速度和精度。以下簡要介紹三種種常用的數據融合算法，包括貝葉斯統計理論，神經網絡技術，以及卡爾曼濾波方法。
貝葉斯統計理論
英國數學家托馬斯·貝葉斯（Thomas Bayes）在1763年發表的一篇論文中，首先提出了這個定理。貝葉斯統計理論是一種統計學方法，用來估計統計量的某種特性，是關于隨機事件A和B的條件概率的一則定理。所謂"條件概率"（Conditional probability），就是指在事件B發生的情況下，事件A發生的概率，用P(A|B)來表示。根據上述文氏圖，容易推導得到：P(A ∩ B) = P( A | B) * P(B) = P( B | A) * P(A)，由此可以推導出條件概率的公式，其中我們把P(A)稱為先驗概率(Prior probability)，即在事件B發生之前，我們對事件A發生概率有一個認識。
舉個簡單的例子，視覺感知模塊中圖像檢測識別交通限速標志（Traffic Sign Recognition, TSR ）是智能駕駛的重要一環。TSR識別過程中，交通限速標志牌被樹木，燈桿等遮擋是影響識別的主要干擾。那么我們關心的，是交通限速標志被遮擋的情況下，檢出率有多少呢？這里我們定義事件A為交通信號標志正確識別，事件為交通信號標志未能識別；B為限速標志被遮擋，事件為限速標志未被遮擋。
根據現有算法，可以統計出事件A正確識別交通限速標志的概率，此處事件A的概率稱為先驗概率。通過查看視覺感知模塊的檢測視頻錄像，我們可以統計檢測出來的交通限速標志中有多少被遮擋，有多少是沒被遮擋的，還可以統計漏檢的交通限速標志中，有多少是被遮擋的，有多少是沒被遮擋的。因此，我們可以得到下面值：
由此，可以推算出被遮擋的情況下，正確識別限速標志的概率：
