在TensorFlow中，可以通过使用`tf.keras.models.Model`类的`tf.keras.models.Model`来合并多个模型。以下是一个简单的示例，演示如何将两个模型合并为一个模型：
```python
import tensorflow as tf
# 创建第一个模型
input1 = tf.keras.layers.Input(shape=(10,))
x1 = tf.keras.layers.Dense(64, activation='relu')(input1)
output1 = tf.keras.layers.Dense(2, activation='softmax')(x1)
model1 = tf.keras.models.Model(inputs=input1, outputs=output1)
# 创建第二个模型
input2 = tf.keras.layers.Input(shape=(5,))
x2 = tf.keras.layers.Dense(32, activation='relu')(input2)
output2 = tf.keras.layers.Dense(2, activation='softmax')(x2)
model2 = tf.keras.models.Model(inputs=input2, outputs=output2)
# 合并两个模型
combined_output = tf.keras.layers.Concatenate()([model1.output, model2.output])
combined_model = tf.keras.models.Model(inputs=[model1.input, model2.input], outputs=combined_output)
# 编译模型
combined_model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
# 训练模型
combined_model.fit([input_data1, input_data2], y)
```
在这个示例中，我们首先创建了两个独立的模型`model1`和`model2`，然后使用`tf.keras.layers.Concatenate()`将它们的输出合并为一个输出，最后创建一个新的模型`combined_model`。您可以根据自己的需求自定义合并层的方式，比如使用`tf.keras.layers.Add()`、`tf.keras.layers.Multiply()`等。最后，编译和训练合并后的模型，就可以同时使用两个模型的输入来进行训练了。
