Според различни методи за обработка на податоци, постојат три архитектури на системот за фузија на информации: дистрибуирана, централизирана и хибридна.

1) Дистрибуирани: Прво, оригиналните податоци добиени од независни сензори се обработуваат локално, а потоа резултатите се испраќаат до центарот за фузија на информации за интелигентна оптимизација и комбинација за да се добијат конечните резултати. Дистрибуирана има мала побарувачка за пропусен опсег на комуникација, брза брзина на пресметување, добра доверливост и континуитет, но точноста на следењето е далеку помала од онаа на централизираната. Дистрибуирана фузија структура може да се подели на дистрибуирана фузија структура со повратна информација и дистрибуирана фузија структура без повратна информација.

2) Централизација: Централизацијата ги испраќа необработените податоци добиени од секој сензор директно до централниот процесор за обработка на фузија, што може да реализира фузија во реално време. Неговата прецизност за обработка на податоците е висока и неговиот алгоритам е флексибилен, но неговите недостатоци се високите барања за процесорот, малата доверливост и големиот обем на податоци, па затоа е тешко да се реализира;

3) Хибрид: Во хибридната рамка за фузија на информации со повеќе сензори, некои сензори прифаќаат централизиран режим на фузија, а останатите прифаќаат режим на дистрибуирана фузија. Рамката за хибридна фузија има силна приспособливост, ги зема предвид предностите на централизираната фузија и дистрибуција и има силна стабилност. Структурата на хибридниот режим на фузија е посложена од онаа на првите два режими на фузија, што ги зголемува трошоците за комуникација и пресметка.

Калман филтер (KF)

Процесот на обработка на информации со филтерот Калман е генерално предвидување и корекција. Тоа не е само едноставен и конкретен алгоритам, туку и многу корисна системска шема за обработка во улога на технологија за фузија на информации со повеќе сензори. Всушност, тој е сличен на методите на многу системи за обработка на податоци за информации. Обезбедува ефективна статистичка оптимална проценка за споените податоци со помош на математичка итеративна рекурзивна пресметка, но бара мал простор за складирање и пресметка, па затоа е погодна за околина со ограничен простор и брзина на обработка на податоци. KF може да се подели на два вида: дистрибуиран Калман филтер (DKF) и продолжен Калман филтер (EKF). DKF може да го направи спојувањето на податоците целосно децентрализирано, додека EKF може ефикасно да го надмине влијанието на грешките во обработката на податоците и нестабилноста врз процесот на фузија на информации.