Saskaņā ar dažādām datu apstrādes metodēm ir trīs informācijas saplūšanas sistēmas arhitektūras: izkliedētā, centralizētā un hibrīda.

1) Izplatīts: Pirmkārt, sākotnējie dati, kas iegūti ar neatkarīgiem sensoriem, tiek apstrādāti lokāli, un pēc tam rezultāti tiek nosūtīti uz informācijas saplūšanas centru inteliģentai optimizācijai un kombinācijai, lai iegūtu galīgos rezultātus. Distributed ir mazs pieprasījums pēc sakaru joslas platuma, ātra aprēķina ātruma, laba uzticamība un nepārtrauktība, taču izsekošanas precizitāte ir daudz mazāka nekā centralizētajai. Sadalīto kodolsintēzes struktūru var iedalīt sadalītajā kodolsintēzes struktūrā ar atgriezenisko saiti un sadalītajā kodolsintēzes struktūrā bez atgriezeniskās saites.

2) Centralizācija: centralizācija nosūta katra sensora iegūtos neapstrādātos datus tieši uz centrālo procesoru kodolsintēzes apstrādei, kas var realizēt reāllaika saplūšanu. Tā datu apstrādes precizitāte ir augsta un algoritms elastīgs, bet trūkumi ir augstās prasības pret procesoru, zema uzticamība un liels datu apjoms, tāpēc to ir grūti realizēt;

3) Hibrīds: hibrīda vairāku sensoru informācijas saplūšanas sistēmā daži sensori izmanto centralizētu saplūšanas režīmu, bet pārējie izmanto sadalīto saplūšanas režīmu. Hibrīda kodolsintēzes sistēmai ir spēcīga pielāgošanās spēja, tajā tiek ņemtas vērā centralizētās kodolsintēzes un izplatīšanas priekšrocības, un tai ir spēcīga stabilitāte. Hibrīda saplūšanas režīma struktūra ir sarežģītāka nekā pirmajiem diviem saplūšanas režīmiem, kas palielina sakaru un aprēķinu izmaksas.

Kalmana filtrs (KF)

Informācijas apstrādes process ar Kalmana filtru parasti ir prognozēšana un korekcija. Tas ir ne tikai vienkāršs un konkrēts algoritms, bet arī ļoti noderīga sistēmas apstrādes shēma vairāku sensoru informācijas saplūšanas tehnoloģijas lomā. Faktiski tas ir līdzīgs daudzu sistēmu informācijas datu apstrādes metodēm. Tas nodrošina efektīvu statistiski optimālu sapludināto datu aprēķinu, izmantojot matemātisku iteratīvu rekursīvu aprēķinu, taču tas prasa maz vietas un aprēķinu, tāpēc tas ir piemērots videi ar ierobežotu datu apstrādes vietu un ātrumu. KF var iedalīt divos veidos: sadalītais Kalmana filtrs (DKF) un paplašinātais Kalmana filtrs (EKF). DKF var padarīt datu saplūšanu pilnībā decentralizētu, savukārt EKF var efektīvi pārvarēt datu apstrādes kļūdu un nestabilitātes ietekmi uz informācijas saplūšanas procesu.