无线传感器网络数据融合技术能够去除感知数据中的冗余信息、减少传输过程中的能量消耗、提高获取信息的准确性,对于节点能量受限的无线传感器网络具有十分重要的研究意义。决策级融合作为信息处理最高层次的融合,具有通信量小、不要求传感器同质性、处理速度快、实时性强等优点,在目标监测、追踪、属性判断等研究方向得到广泛应用。本文对无线传感器网络决策级融合算法进行研究,针对基于事件驱动的目标监测及分类这一应用场景,对无线传感器网络本地决策算法及决策融合算法进行了重点研究。首先,本文对贝叶斯推理、证据理论、模糊集理论等传统的无线传感器数据融合方法进行了简要介绍及优缺点分析,针对传统模糊集对原始数据的模糊性表示不够精确这一问题,提出使用直觉模糊集来表示原始数据的思路。现有的直觉模糊构造方法多为人工赋值或根据图像处理等特定的应用场景设计,不适用于无线传感器网络环境。因此,本文提出一种基于数据分布的直觉模糊构造方法,根据节点采集的原始数据集的标准差确定犹豫度,从而根据模糊集与直觉模糊集转化关系将传感器网络采集的原始属性值集合转化为直觉模糊集。然后,针对多属性融合分类问题,对基于直觉模糊集成的无线传感器网络本地决策算法展开研究。首先,提出了类别间相似度概念,根据不同监测目标类别间的直觉模糊相似度确定各属性权重；进而提出了基于类别间相似度的加权TOPSIS(Technique for Order Preference by Similarity to Ideal Solution)直觉模糊决策算法,用于节点本地融合分类决策。该算法改进了传统TOPSIS法正负理想解的确定方式,根据待测目标各属性训练样本集的特征确定正负理想解,从而获得更为准确的多属性分类结果。仿真结果表明,本文提出的本地决策算法相比于传统模糊融合算法及直觉模糊加权集成算法,其分类准确率均得到一定程度提高。最后,针对全网决策级融合问题,提出了一种基于分簇及模糊逻辑的无线传感器网络决策级融合算法。首先,为减少簇内通信消耗,提出一种基于k-Means聚类的节点分簇算法,并通过仿真对分簇效果进行了有效性分析；为提高最终决策融合准确性,采用基于模糊逻辑推理的簇头权重确定方法来衡量各簇的融合准确程度,从而得到对监测目标分类更为准确的决策判断。