近年来,多传感器信息融合理论及应用技术研究得到了快速的发展,已经成为一个重要的研究领域。其中,神经网络、模糊推理、贝叶斯理论、聚类分析算法等信息融合算法一直是国内外研究的热点。针对不同的实际应用需求,将这些方法和理论有机融合,是目前研究的一种趋势。本文在分析研究目前主要融合算法的基础上,对BP神经网络模糊推理等多传感器信息融合算法进行了改进和完善。首先,针对BP网络学习算法易陷入局部极小值、收敛速度慢的缺陷,给出了基于Levenberg-Marquardt的改进的LMBP学习算法,并对改进的方法在Matlab上进行了实现。其次,针对大规模样本聚类的时间复杂度过高和聚类结果对经验参数设置的依赖性过强的问题,本文给出一种基于密度网格可变参数的自扩展聚类算法,算法先将数据空间分割成相同大小的网格单元,再将样本归一化后映射到相应的网格单元中,然后从指定密度较大的网格单元向周围扩展直到其平均密度达到指定的下限或可扩展的聚类边界为止。聚类过程中,通过下限密度和均值密度来限制聚类间的过度扩展,如果有效样本的比率低于阈值则自适应调整扩展密度并重新聚类。然后,将其与模糊神经网络有机融合,给出了基于该聚类算法的模糊神经网络学习算法,利用聚类算法从样本中提取规则数目,并将其应用于模糊神经网络建模,缩短了模糊神经网络的运算时间,提高了整个系统的效率。最后,对基于改进的LMBP学习算法的信息融合技术进行了仿真实验。