信息融合起初叫做数据融合（data fusion），起源于1973年美国国防部资助开发的声纳信号处理系统，在20世纪90年代，随着信息技术的广泛发展，具有更广义化概念的“信息融合”被提出来，多传感器数据融合MSDF (Multi-sensor Data Fusion）技术也应运而生。
数据融合主要优势在于：充分利用不同时间与空间的多传感器数据资源，采用计算机技术按时间序列获得多传感器的观测数据，在一定准则下进行分析、综合、支配和使用。获得对被测对象的一致性解释与描述，进而实现相应的决策和估计，使系统获得比它各组成部分更为充分的信息。
一般地，多源传感器数据融合处理过程包括六个步骤，如下图所示。首先是多源传感系统搭建与定标，进而采集数据并进行数字信号转换，再进行数据预处理和特征提取，接着是融合算法的计算分析，最后输出稳定的、更为充分的、一致性的目标特征信息。
利用多个传感器所获取的关于对象和环境全面、完整信息，主要体现在融合算法上。因此，多传感器系统的核心问题是选择合适的融合算法。对于多传感器系统来说，信息具有多样性和复杂性，因此，对信息融合方法的基本要求是具有鲁棒性和并行处理能力,以及方法的运算速度和精度。以下简要介绍三种种常用的数据融合算法，包括贝叶斯统计理论，神经网络技术，以及卡尔曼滤波方法。
贝叶斯统计理论
英国数学家托马斯·贝叶斯（Thomas Bayes）在1763年发表的一篇论文中，首先提出了这个定理。贝叶斯统计理论是一种统计学方法，用来估计统计量的某种特性，是关于随机事件A和B的条件概率的一则定理。所谓"条件概率"（Conditional probability），就是指在事件B发生的情况下，事件A发生的概率，用P(A|B)来表示。根据上述文氏图，容易推导得到：P(A ∩ B) = P( A | B) * P(B) = P( B | A) * P(A)，由此可以推导出条件概率的公式，其中我们把P(A)称为先验概率(Prior probability)，即在事件B发生之前，我们对事件A发生概率有一个认识。
举个简单的例子，视觉感知模块中图像检测识别交通限速标志（Traffic Sign Recognition, TSR ）是智能驾驶的重要一环。TSR识别过程中，交通限速标志牌被树木，灯杆等遮挡是影响识别的主要干扰。那么我们关心的，是交通限速标志被遮挡的情况下，检出率有多少呢？这里我们定义事件A为交通信号标志正确识别，事件为交通信号标志未能识别；B为限速标志被遮挡，事件为限速标志未被遮挡。
根据现有算法，可以统计出事件A正确识别交通限速标志的概率，此处事件A的概率称为先验概率。通过查看视觉感知模块的检测视频录像，我们可以统计检测出来的交通限速标志中有多少被遮挡，有多少是没被遮挡的，还可以统计漏检的交通限速标志中，有多少是被遮挡的，有多少是没被遮挡的。因此，我们可以得到下面值：
由此，可以推算出被遮挡的情况下，正确识别限速标志的概率：
