2.2.2特征级融合
特征级融合中，各信息源获得的同一目标的属性信息分别进行特征提取，从而获得许多组关于目标属性的特征向量。然后融合这些特征向量并基于融合后的特征向量进行目标识别。特征级融合的优点在于实现了可观的信息压缩，有利于实时处理，并且由于所提取的特征直接与决策分析有关，因而融合结果能最大限度地给出决策分析所需要的特征信息。
2.2.3决策级融合
即对每个信息、源获得的属性信息分别进行特征提取和属性判决，然后将多属性判决进行融合，以获得目标的最终属性判决，决策级融合的主要优点有:具有很高的灵活性;系统对信息传输带宽要求较低;能有效地反映环境或目标各个侧面的不同类型信息。
2.3多信息模型的实现
由上述分析可知，隧道交通事件确认中，信息源获得的目标属性信息的形式多样，提取的特征也各不相同，且一般情况下，事件的这些属性信息并不能同时全部得到。隧道交通事件多信息模型可分为特征提取、独立识别、决策融合三个部分，过程如下图2所示。
2.3.1特征提取
各独立识别系统根据各自的信息、通道从事件发生中获取信息，提取目标的属性特征。也就是提取各获得的信息进行处理。由于其需要具体介绍各检测器的具体性能，涉及知识比较多，由于篇幅的限制，这里不再详细介绍。
2.3.2独立识别
各独立识别子系统根据各自的特征信J急输人，按照各自的识别方法，判定目标的类型，同时，根据信息质量的好坏和特征提取的精度，给出判定结果的可信度。
模式识别方法有Bayes推理、模糊推理、专家系统、BP神经网络等。由于特征信息的形式不一样，所以各自的识别方法不尽一样。
由于根据事件的一种信息源的特征来识别，所以上述各独立识别结果一般不是一个确切的结果，而是事件识别框上的模糊集。结果可信度与目标特征提取精度有关，精度越高，则识别结果的可信度就高，它在决策融合中的作用就越大。
