根据对传感器数据的操作级别,可将数据融合技术分为以下三类:

(1) 数据级融合

数据级融合是最底层的融合，操作对象是传感器采集得到的数据,因而是面问数的融合。对传感器的原始数据及预处理各阶段上产生的信息分别进行融合处理，尽可多地保持了原始信息，能够提供其他层次融合所不具有的细微信息。这类融合在大多情况下仅依赖于传感器类型,不依赖于用户需求。例如在目标识别的应用中,数据级合即为像素级融合，进行的操作包括对像素数据进行分类或组合，去除图像中的冗余息等。

它的局限性主要是所要处理的传感器信息量大，故处理代价较高,另外融合是在信息低层进行的，由于传感器的原始数据的不确定性、不完全性和不稳定性，要求在融合时有高的纠错能力。

(2)特征级融合

特征级融合通过些特征 提取手段将数据表示为系列的特征 向量，来反映事物的属性。作为种面向监测对象特征的融合。它是利用从各个传82原始教据中提取的特征信息进行综合分析和处理的中间层次过程，

通常所提取的特征信息应是数据信息的充分表示量或统计量，据此对多传感器信息进行分类，汇集和综合。例如在温度监测的应用场合.特往级融合可以对温度传息器的输出数据进行综合，表示成地区范围最高温度.最低温度”的形武:在目标监测应用中，特征级融合可以将图像的颜色特征表示成RGB值。

特征级融合可以分为目标状态信息破合和目标特性融合两种类型。目标状态信息融合主要应用于多传感器目标跟踪领域。融合系统首先对传感器数据进行预处理以完成数据配准。在数据配准后，融合处理主要实现参数相关和状态天量估计。目标特性融合主要用于特征层的联合识别。具休的融合方法主要采用模式识别的相应技术，在融合前必须先对特征进行相关处理,对特征矢量进行分类组合。在模式识别，图像处理和计算机视觉等领域，已经对特征提取和基于特征的分类问题进行了深人的研究，有许多方法可以借鉴。

(3)决策级融合

决策级融合根据应用需求进行较高级的决策，是最高级的融合。决策缴融合的操作可以依据特征级融合提取的数据特征,对监测对象进行判别、分类,并通过简单的逻辑运算,执行满足应用需求的决策。因此决策级融合是面向应用的融合。

决策级融合是在信息表示的最高层次上进行的融合处理。不同类型的传感器观测同一个目标,每个传感器在本地完成预处理、特征抽取、识别或判断,以建立对所观察目标的初步结论,然后通过相关处理、决策级融合判决，最终获得联合推断结果,从而直接为决策提供依据。

因此决策级融合是直接针对具体决策目标,充分利用特征级融合所得出的目标各类特征信息,并给出简明而直观的结果。决策级融合的优点在于实时性好，另外，如果出现个或几个传感器失效时,仍能给出最终决策,因而具有良好的容错性。例如针对灾难监测问题,决策级融合可能需要综合多种类型的传感器信息,包括温度、湿度或震动等，进而对是否发生了灾难事故进行判断。在目标监测应用中，决策级融合需要综合监测日标的颜色特征和轮廓特征,对目标进行识别，最终只传输识别的结果。

在传感器网络的具体应用与实现中,这三个层次的融合技术可以根据应用的特点加以综合运用。例如在有的应用场合,传感器数据的形式比较简单，不需要进行较低层的数据级融合，而需要提供灵活的特征级融合手段。另外，如果有的应用要处理大量的原始数据，则需要具备强大的数据级融合功能。