针对多传感器目标跟踪数据融合系统，存在的异步时间配准、集中式融合的量测筛选、集中式融合的无序量测、分布式融合的无序估计等问题进行了深入分析和研究，并采用或提出了新的处理思路和算法来处理相应问题。　　对多传感器异步时间配准问题，采用滑窗最小二乘拟合外推法进行时间配准，与其他算法相比，该算法配准精度高，能适应各种时间不对齐的情况，输出无滞后，特别适合实时处理。　　研究了集中式数据融合的量测筛选问题。以序贯滤波法为例证明了以线性最小均方误差为准则的量测融合本质是求初始状态估计和各采样测量值的加权和。提出了筛选输入量测融合的方法，即先对输入量测进行筛选后再融合的方法，通过仿真验证了该方法能有效提高融合精度。　　研究了多传感器数据融合系统由于网络延迟等原因引起的测量值无序到达融合中心的现象即无序量测(OOSM)问题。讨论了现有处理单个无序量测更新问题的算法原理，分析了算法存储量和最优性。提出了两种新的单个无序量测更新算法，打破了传统的用直接更新法处理无序量测问题时要进行状态向后预测的局限。一种是基于等价量测的顺序式更新法，另一种是基于协方差加权融合的处理算法。这两种新算法原理简单，有较小的额外存储量和不大的计算量，并通过多组仿真实验说明了两种新算法都与具有最优性能的数据缓存法有着相当的滤波精度，且性能优于传统算法。　　研究了多传感器数据融合系统中的多无序量测问题。通过分析多无序量测发生的两种不同情形，以单个无序量测更新算法为基础，给出了多无序量测更新的通用处理方法，并通过仿真实验验证了该处理方法的有效性。　　研究了分布式融合系统中，传感器的局部估计无序到达融合中心的现象即无序估计(OOSE)问题。以最优分布式递推融合算法为基础，提出了根据系统反馈方式的不同，对无序估计的进行不同的处理。通过多组仿真实验验证了各种方式下无序估计融合处理算法的有效性。