当今世界数据量爆发式增长,数据质量在噪声的影响下更是参差不齐,通过对数据进行融合来获取有用的信息至关重要。多传感器数据融合属于多学科交叉理论,综合利用了多个传感器采集的数据进行处理。因其数据类别多样、数据量巨大、数据关系复杂、处理及时以及估计算法高效等特点,对数据进行融合估计后可以得到更加可靠有用的结论,已经在军民领域得到了广泛应用。同时,多尺度效应普遍存在于自然界和生活实践中,应用多尺度估计理论更容易抓住事物或现象的本质特征。但是,目前常用的多传感器多尺度数据融合算法基本是在时域里以最小方差为准则进行处理与分析,忽略了更能表征信号本质的频域特性,对于在时域中具备相同统计特性的估计不易进行区分,而且对信号进行基于小波变换的多尺度分析时由于阈值处理不当会引起一些问题。因此,本文提出了多传感器多尺度信号的频域融合估计方法,在最细尺度上得到基于全局的融合,提高了融合估计的信噪比。首先,介绍了基于小波变换的信号多尺度分解及频谱特性。探讨了多速率信号的时域和频域关系,对多速率信号处理系统中滤波器的频响特性进行了分析。同时,在小波框架理论下,通过Mallat算法对信号进行多尺度分解及重构。其次,研究了多传感器分布式数据融合估计算法。介绍了基于卡尔曼滤波的多传感器多尺度信号分布式数据融合估计,重点研究了基于离散小波变换的多传感器多尺度测量预校正的数据融合算法。最后,建立了多尺度信号频域融合估计理论。基于加权可以平滑误差的思想,对不同尺度上传感器的测量利用离散小波变换分解至不同尺度,在频域里对其进行预校正。将传感器的测量方差的倒数量化为权重,建立基于凸组合的多传感器多尺度信号测量频域加权预校正的数据融合算法,并且利用计算机仿真验证了多尺度信号频域融合估计算法的有效性及可靠性。