En este documento, se investiga el problema de estimación de fusión de información para una clase de sistemas lineales multisensor afectados por diferentes tipos de incertidumbres estocásticas, utilizando tanto metodologías de fusión distribuida como centralizada. Se asume que las salidas medidas están perturbadas por ruidos aditivos autocorrelacionados y cruzados de un paso, y también se consideran incertidumbres estocásticas causadas por ruidos multiplicativos y mediciones faltantes aleatorias en las salidas de los sensores. En cada tiempo de muestreo, la salida de cada sensor se envía a un procesador local y, debido a algún tipo de fallas de transmisión, pueden ocurrir retrasos aleatorios correlacionados de un paso. Utilizando solo información de covarianza, sin requerir el modelo de evolución del proceso de señal, se diseña un filtro local de mínimos cuadrados (LS) basado en las mediciones recibidas de cada sensor mediante un enfoque de innovación. Todos estos filtros locales se fusionan luego para generar un filtro de fusión distribuida óptimo mediante una combinación lineal ponderada por matrices, utilizando el criterio de optimalidad de LS. Además, también se propone un algoritmo recursivo para el filtro de fusión centralizado y la precisión de los estimadores propuestos, medida por las covarianzas de error de estimación, se analiza mediante un ejemplo de simulación.