Glede na različne metode obdelave podatkov obstajajo tri arhitekture informacijskega fuzijskega sistema: porazdeljena, centralizirana in hibridna.

1) Porazdeljeno: Najprej se izvirni podatki, pridobljeni z neodvisnimi senzorji, lokalno obdelajo, nato pa se rezultati pošljejo v center za zlivanje informacij za inteligentno optimizacijo in kombinacijo za pridobitev končnih rezultatov. Porazdeljeno ima nizko povpraševanje po komunikacijski pasovni širini, hitri računski hitrosti, dobri zanesljivosti in kontinuiteti, vendar je natančnost sledenja veliko manjša kot pri centraliziranem. Strukturo porazdeljene fuzije lahko razdelimo na strukturo porazdeljene fuzije s povratnimi informacijami in strukturo porazdeljene fuzije brez povratnih informacij.

2) Centralizacija: Centralizacija pošlje neobdelane podatke, pridobljene z vsakim senzorjem, neposredno v osrednji procesor za obdelavo fuzije, ki lahko realizira fuzijo v realnem času. Njegova natančnost obdelave podatkov je visoka in algoritem je prilagodljiv, vendar so njegove slabosti visoke zahteve za procesor, nizka zanesljivost in velik obseg podatkov, zato ga je težko realizirati;

3) Hibrid: V hibridnem ogrodju fuzije informacij z več senzorji nekateri senzorji sprejmejo centralizirani način fuzije, ostali pa način porazdeljene fuzije. Hibridni fuzijski okvir ima močno prilagodljivost, upošteva prednosti centralizirane fuzije in distribucije ter je zelo stabilen. Struktura hibridnega načina fuzije je bolj zapletena kot pri prvih dveh načinih fuzije, kar poveča stroške komunikacije in izračuna.

Kalmanov filter (KF)

Proces obdelave informacij s Kalmanovim filtrom je na splošno predvidevanje in popravljanje. Ne gre le za preprost in konkreten algoritem, temveč tudi za zelo uporabno sistemsko procesno shemo v vlogi večsenzorske informacijske fuzije. Pravzaprav je podoben mnogim sistemskim metodam obdelave informacijskih podatkov. Zagotavlja učinkovito statistično optimalno oceno za združene podatke s pomočjo matematičnega iterativnega rekurzivnega izračuna, vendar zahteva malo prostora za shranjevanje in izračun, zato je primeren za okolje z omejenim prostorom in hitrostjo obdelave podatkov. KF lahko razdelimo na dve vrsti: porazdeljeni Kalmanov filter (DKF) in razširjeni Kalmanov filter (EKF). DKF lahko naredi zlitje podatkov popolnoma decentralizirano, medtem ko lahko EKF učinkovito premaga vpliv napak pri obdelavi podatkov in nestabilnosti na proces združevanja informacij.