随着微电子技术、计算机和通信技术的快速发展，多传感器数据融合在国防和国民经济中的需求日渐迫切、应用日益广泛。军事上如敌方飞行器的探测和跟踪，民用如空中交通管制、公共安全监控等需要智能感知的领域。在这些应用中，多传感器系统获取的数据形式多样、信息量巨大、数据关系复杂；同时，对数据处理的时效性、准确性和可靠性需求日益增加；因而，研究多传感器数据融合的理论和方法，以实时、准确并可靠地估计被测环境或对象状态，越显迫切和重要。尽管多传感器数据融合技术在诸多领域已经得到广泛应用，然而，其在理论上尚未形成统一的框架，在应用中缺乏有效的信息融合方法和应用技术。研究多传感器数据融合的理论和方法，具有重要的科学意义和实用价值。　　 本文以动态贝叶斯网络为基本理论框架，针对微型传感器人体运动估计和多目标跟踪两个应用，分别提出一个系统的微型传感器人体运动数据融合方法和一个全新且具有工程实现价值的多目标跟踪方法。主要研究内容包括：⑴提出一种自适应数据融合抗干扰姿态估计方法，可以有效地抑制微型传感器人体运动估计中的漂移、运动加速度和周围磁干扰给角度估计带来的误差，达到精确估计微型传感器姿态的目标。该方法设计了一个四元数补偿卡尔曼滤波器模型，将四元数角度估计误差作为系统状态变量，实时评估加速度计和磁传感器数据中干扰的强弱和各数据源的置信度，自适应地融合陀螺仪、加速度计和磁传感器数据，以去除积分引起的漂移和干扰带来的角度估值误差，得出精确的传感器姿态估计。⑵提出一种自适应数据融合加速度补偿姿态估计方法，可以有效地去除微型传感器人体运动估计中的漂移和人体肢体运动加速度对角度估计的干扰，并精确估计微型传感器的姿态。该方法设计了一个自适应卡尔曼滤波器模型，将四元数角度和运动加速度联合作为系统状态向量，补偿运动加速度分量对于重力加速度观测产生的不稳定性干扰；依据加速度传感器信号的置信度变化，自适应地调整系统状态噪声协方差矩阵，以使得滤波器在存在人体运动加速度干扰时发挥最优性能。⑶提出一个系统的微传感器人体运动数据融合方法，可以有效解决陀螺仪数据积分角度的漂移问题、地磁场局部分布畸变和肌肉软组织抖动对运动估计的干扰问题，并精确估计人体运动，提高运动估计的稳定性和协调性。该方法采用一个人体生理结构模型刻画肢体与关节间的相关性和生理运动约束；采用多模型方法，自适应地融合各肢体上所附着传感器节点的多种传感器数据，稳定地估计出各肢体角度；利用人体生理结构模型融合各肢体角度和位置等运动参数，在多个肢体间平衡和传递运动估值，最终获取稳定、精确和协调一致的人体运动估计。⑷提出一种“特征迹驱动的多目标跟踪方法”，在密集杂波条件下跟踪大量机动目标，获得比传统方法精度高、计算复杂度低的效果。该方法将目标在时域、空域和频域的特征及其特征连续性定义为目标的“特征迹”，采用基于特征迹的跟踪门方法，剔除杂波和虚假观测；利用特征迹置信概率评估其运动连续性和特征连续性，建立和维护正确的数据关联，减少错误数据关联的数目。实验结果表明，该方法能够有效去除杂波观测，降低运算复杂度，比传统的的多假设跟踪算法(Multiple Hypothesis Tracking，MHT)和多维数据关联算法(Multidimensional Assignment，MDA)跟踪效率更高。⑸本文所提出的“微传感器人体运动数据融合方法”，目前已应用到一个泛在实时微传感器人体运动捕获系统中，该系统可以实时地捕获和生动地重现人体运动，动作重现没有漂移和延时，且其使用不受应用场景的限制，该系统输出的运动数据可在电影制作、体育训练和虚拟现实等众多场景中广泛应用。