Mengikut kaedah pemprosesan data yang berbeza, terdapat tiga seni bina sistem gabungan maklumat: diedarkan, berpusat dan hibrid.

1) Diedarkan: Pertama, data asal yang diperoleh oleh sensor bebas diproses secara tempatan, dan kemudian hasilnya dihantar ke Pusat Fusion Maklumat untuk Pengoptimuman Pintar dan Gabungan untuk mendapatkan hasil akhir. Diagihkan mempunyai permintaan yang rendah untuk jalur lebar komunikasi, kelajuan pengiraan cepat, kebolehpercayaan dan kesinambungan yang baik, tetapi ketepatan penjejakannya jauh lebih rendah daripada yang berpusat. Struktur gabungan yang diedarkan boleh dibahagikan kepada struktur gabungan yang diedarkan dengan maklum balas dan struktur gabungan yang diedarkan tanpa maklum balas.

2) Pemusatan: Pemusatan menghantar data mentah yang diperolehi oleh setiap sensor terus ke pemproses pusat untuk pemprosesan fusion, yang dapat merealisasikan gabungan masa nyata. Ketepatan pemprosesan datanya adalah tinggi dan algoritmanya fleksibel, tetapi kelemahannya adalah keperluan yang tinggi untuk pemproses, kebolehpercayaan yang rendah dan jumlah data yang besar, jadi sukar untuk direalisasikan;

3) Hibrid: Dalam rangka kerja gabungan maklumat pelbagai sensor hibrid, sesetengah sensor mengguna pakai mod gabungan berpusat, dan selebihnya mengguna pakai mod gabungan yang diedarkan. Rangka kerja gabungan hibrid mempunyai kesesuaian yang kuat, mengambil kira kelebihan gabungan dan pengedaran berpusat, dan mempunyai kestabilan yang kuat. Struktur mod gabungan hibrid lebih rumit daripada dua mod fusion pertama, yang meningkatkan kos komunikasi dan pengiraan.

Penapis Kalman (KF)

Proses pemprosesan maklumat oleh penapis Kalman umumnya ramalan dan pembetulan. Ia bukan sahaja algoritma yang mudah dan konkrit, tetapi juga skim pemprosesan sistem yang sangat berguna dalam peranan teknologi gabungan maklumat pelbagai sensor. Malah, ia adalah sama dengan kaedah pemprosesan data maklumat yang banyak. Ia menyediakan anggaran optimum statistik yang berkesan untuk data yang bersatu dengan pengiraan rekursif berulang matematik, tetapi ia memerlukan sedikit ruang penyimpanan dan pengiraan, jadi ia sesuai untuk persekitaran dengan ruang pemprosesan data yang terhad dan kelajuan. KF boleh dibahagikan kepada dua jenis: penapis Kalman yang diedarkan (DKF) dan penapis Kalman yang dilanjutkan (EKF). DKF boleh membuat gabungan data sepenuhnya terdesentralisasi, sementara EKF dapat mengatasi pengaruh kesilapan pemprosesan data dan ketidakstabilan pada proses gabungan maklumat.