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

1) Izplatīts: Pirmkārt, sākotnējie dati, ko iegūst neatkarīgi sensori, tiek apstrādāti lokāli, un pēc tam rezultāti tiek nosūtīti uz Informācijas saplūšanas centru inteliģentai optimizācijai un kombinācijai, lai iegūtu galīgos rezultātus. Izplatītajam ir mazs pieprasījums pēc komunikācijas joslas platuma, ātra aprēķināšanas ātruma, laba uzticamības un nepārtrauktības, taču izsekošanas precizitāte ir daudz mazāka nekā centralizētā. Sadalīto saplūšanas struktūru var iedalīt sadalītajā saplūšanas struktūrā ar atgriezenisko saiti un sadalīto saplūšanas struktūru bez atgriezeniskās saites.

2) Centralizācija: Centralizācija nosūta neapstrādātus datus, kas katrs sensors iegūts tieši uz centrālo procesoru saplūšanas apstrādei, kas var reāllaika saplūšanu. Tās datu apstrādes precizitāte ir augsta, un tā algoritms ir elastīgs, taču tā trūkumi ir augstas prasības procesoram, zema uzticamība un liels datu apjoms, tāpēc to ir grūti saprast;

3) Hibrīds: Hibrīda daudzu sensoru informācijas saplūšanas ietvarā daži sensori pieņem centralizētu saplūšanas režīmu, un pārējie pieņem izplatītu saplūšanas režīmu. Hibrīda saplūšanas sistēmā ir liela pielāgošanās spēja, ņem vērā centralizētās saplūšanas un izplatīšanas priekšrocības, un tai ir spēcīga stabilitāte. Hibrīda saplūšanas režīma struktūra ir sarežģītāka nekā pirmajiem diviem saplūšanas režīmiem, kas palielina komunikācijas un aprēķina izmaksas.

Kalmana filtrs (KF)

Kalmana filtra informācijas apstrādes process 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 statistisko optimālo aprēķinu kausētiem datiem, izmantojot matemātisku atkārtotu rekursīvo aprēķinu, taču tas prasa mazu uzglabāšanas vietu 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 pilnīgi decentralizētu, savukārt EKF var efektīvi pārvarēt datu apstrādes kļūdu un nestabilitātes ietekmi uz informācijas saplūšanas procesu.