Bei der Fusion heterogener Informationsquellen (Signale, Daten, Vorwissen,...) muss deren unterschiedlicher Abstraktionsgrad und deren unterschiedliche Natur (Formalisierung) überwunden werden. Essentielle Forderungen an eine Fusionsmethodik sind die Fähigkeiten zur: Transformation, Fusion und Fokussierung. Transformation meint die verlustarme Überführung auf eine einheitliche mathematische Beschreibungsebene. Dort bedarf es Mechanismen, die transformierte Information zusammenzuführen (Fusion) und sich anschließend auf speziell Interessierendes konzentrieren zu können (Fokussierung). Die Bayessche Wahrscheinlichkeitstheorie in einer Degree-of-Belief Deutung erfüllt jede dieser Forderungen. Transformation gelingt über das Maximum Entropie Prinzip, wobei die ursprüngliche Information als Nebenbedingung bei der Optimierung aufgefasst wird. Die Fusion leistet das Bayessche Theorem und die Fokussierung entspricht der Marginalisierung. Ein Nachteil der Bayesschen Methodik ist ihr hoher Rechenaufwand. Um diesen entscheidend zu verringern, wird ein lokaler Bayesscher Fusionsansatz vorgestellt, der in Anlehnung an kriminalistische Ermittlungen mit einer agentenbasierten Fusionsarchitektur umgesetzt werden kann. An Beispielen wird auch gezeigt, wie die Bayessche Methodik problemlos mit qualitativen Attributen und quantitativen Größen gemischt umgehen kann.