传感器是获取信息的工具，是信息采集的关键。而在现实生活中，单个传感器的功能单一，局限性太多，不适于采集更精确的数据。因此，多传感器的应用就越来越普遍了。另一方面，多传感器系统也带来了管理上的问题，即如何合理利用这些传感器的问题。 本文共分八章。第一章为引言，第二章介绍了最优控制计算的方法，第三章介绍了卡尔曼滤波与传感器的数据融合。 第四章考虑了离散时间的传感器数据混合问题，通过分配适当的权重到每一个传感器数据源，使得融合后的数据的无偏差最小方差估计的误差达到最小。这个问题是一个随机性的离散时间最优控制问题，本文证明了它与一个确定性的离散时间最优控制问题等价，而权重就转化为相应的控制向量。从理论上给出了最优解的存在性证明，并通过得出目标泛函与约束泛函的梯度表达式，转化为约束数学规划问题求数值解。最后给出了两个数值例子。 第五章考虑了连续时间的传感器数据混合问题，通过分配适当的权重函数给每一个传感器数据源，使得融合后的数据的无偏差最小方差估计达到最小。这些权重函数是取值于有界变差函数空间上的。这个问题是一个随机性的连续时间最优控制问题，本文证明了它等价于一个确定性的连续时间最优控制问题，而权重函数就转化为相应的控制函数。本文给出了控制函数最优解的存在性的证明。在数值解上，通过控制参数化方法与CPET技巧，把原问题转化为一系列的最优参数选择问题。对于每一个最优参数选择问题，本文给出了目标泛函与约束泛函的梯度表达式，从而转化为约束数学规划问题求解。另外，本文也给出关于这个数值方法的收敛性分析。最后给出了两个数值例子。 第6章考虑了离散时间的一个传感器数据调度问题，即选取一个最优的调度策略，根据这个调度策略，在每一时刻打开其中的一个传感器，使得融合后的数据的无偏差最小方差估计最优。这个问题是一个随机性的离散时间最优控制问题，其中它的控制向量是离散向量。它与一个确定性的离散时间最优控制问题等价。 本文采用分支定界法解决这个问题。通过对它的误差协方差矩阵系统的正半定性质进行分析，定义了一系列的下界系统，作为用分支定界法求解时的下界表达式。通过这些下界，绝大多数的分支将不用被搜索。本文举了的两个例子，说明了这个算法高效率性。 第7章考虑了离散时间的另一个传感器数据调度问题。这个问题更具有一般性，它在每一时刻可以打开其中的一些传感器，使得融合后的数据的无偏差最小方差估计最优。这个问题依然是一个随机性的离散时间最优控制问题，其中它的控制向量由两部分组成，一部分是调度策略，这是离散值变量，另一部分是在给定的调度策略下分配给相应的传感器的权重，这是连续值变量。这个问题与一个确定性的离散时间最优控制问题等价。本文通过对它的误差协方差矩阵系统进行分析，得出了一系列的下界系统，作为用分支定界法求解时的下界表达式。通过这些下界，绝大多数的分支将不用被搜索。而对于每一个搜索到的调度策略，相应的权重分配问题是一个离散时间的最优控制问题，并且它的控制变量是连续的。因此，可以通过MISER求出相应的最优权重。本文通过两个例子说明了这个算法的高效率性。 最后就是总结这篇论文，并给出了以后研究的方向。