信息融合是信息时代的一种重要的算法,而且在工程上有着较大的发展空间。本文中主要综述了目前信息融合方法在国内外的应用分布及其主要研究的方法,并提出了可以提高机械故障中的诊断精度的基于系统子部分传输特性的融合算法,以柴油机两个不同缸位上机身和缸盖上的机械振动信号为例,通过与传统单一传感器相对比分析,简要阐述了该信息融合算法及其价值。从理论分析和实验验证的结果,证明了基于系统传输特性的信息融合特征能够更大程度的保有故障信息,并且具有更高的可压缩性。针对多源和同源信息融合中信息冗余的问题,引入了经济学中的格兰杰因果关系,试图分析多信号之间的主次关系。分别从时域和频域中对两组同时采集的多通道信号进行了单向和双向间的格兰杰因果关系检验,其次与相关系数进行比较分析,得到了机械振动信号之间存在主次之分的结论。分析两种方法的结果可知在时域上多信号之间因果关系更为明显。对于特定的机械故障的特征向量,列举了几种较为常用的分类器:支持向量机、BP神经网络和一种新兴分类器:超限学习机(ELM)。在以柴油机为例的含5种运行状态的机械故障诊断实验中,利用基于系统传输特性的信息融合提取到的特征作为输入参数,以PCA和子带平均法作为降维方法,研究了在不同维度下三分类器在机械故障诊断中的分类精度,结果证明此次实验中子带平均降维方法有助于提高后续的诊断精度,并且在两个不同的缸位上ELM整体上较支持向量机和BP神经网络有着更加优秀的表现。