近年来随着应用需求的不断增加，多传感器信息融合技术得到了空前迅速的发展。信息融合技术通过对多个传感器提供的冗余信息数据进行充分的互补，能够得到更为客观、更为精确的数据。本文首先通过对多传感器信息融合的介绍，在此基础上对D-S证据理论、BP神经网络以及遗传算法的相关理论进行了研究。通过研究分析三种信息融合常用算法，采取了相互结合的的方法以便能够更好的解决多传感器信息融合中存在的问题。　　本文主要的的研究工作如下：　　1、本文在分析了D-S证据理论的方法基础上，设计了一种改进的基于权重系数的证据合成算法。该方法通过引入证据的相互支持度的概念，对相应证据的权重进行合理分配，并对干扰证据的有效的处理。在解决高度冲突证据下的合成问题上起到了比较好的效果。　　2、神经网络具备强大的非线性映射的能力，在信息融合领域取得了广泛的应用。本文设计了一种改进的D-S证据理论与分组神经网络相结合的算法。其主要思想是：对采集到信息的特征向量进行分组，各组建立相应的子神经网络，通过子神经网络进行特征级的融合，再将输出结果通过证据理论进行时空域上的决策级融合。仿真结果表明该算法无论是在识别率上还是抗干扰性上均取得了良好的效果。　　3、在神经网络的基础上，引入擅长全局搜索的遗传算法，去优化神经网络的初始权值。将优化后的网络和D-S证据理论相结合，设计了一种全局信息融合混合方法。仿真结果表明改进后的方法较大程度的提升了网络的收敛速度，同时使输出结果更为稳定，融合结果更为精确。